TensorFlow王位不保？ICLR投稿论文PyTorch出镜率快要反超了

圆栗子 发自 麦蒿寺 量子位 出品 | 公众号 QbitAI

自PyTorch出道以来，不断有人表示，发现了这样的趋势：

“学术圈正在慢慢地抛弃TensorFlow，转投PyTorch。”

如今，PyTorch 1.0发布，ICLR 2019也才截稿不久，又是讨论这个问题的好时节。

Reddit上面，有小伙伴用非常低碳的方法观察了一下，这两年的论文用的都是什么框架：

从ICLR 2018到ICLR 2019的投稿来看，TensorFlow、PyTorch和Keras的搜索结果数发生了以下变化。

TensorFlow 228→266 PyTorch 87→252 Keras 42→56

虽然，三者数据皆有上升，但一年之间PyTorch搜索结果涨幅接近200%，好像已经对TensorFlow的宝座产生了威胁。

2017年1月19日，PyTorch第一次公开发布，到今天还不到两年，何以发展得这般蓬勃？

PyTorch可能比较善良

PyTorch的确有亲和力。

一是容易上手。只要熟悉Python，就很容易和PyTorch玩耍在一起了。相比之下，学TensorFlow就像在学一种新的语言，语法很复杂，尤其不适合新手。

二是许多操作都很简洁。比如，Tensor和Numpy之间的互转，可以在PyTorch里优雅地完成，而在TF里就不轻松了。

三是debug方便。PyTorch作为动态图框架的优势就体现了，像给Python代码debug那样。有人说在TF里debug，还没有肉眼看一遍来得快。

四是……

总之，对离开TensorFlow拥抱PyTorch的人类来说，TF的槽点不胜枚举。

不过，研究人员选择PyTorch的原因，主要是它非常适合小型项目，适合快速的原型设计，诸如此类。

相对而言，TensorFlow就更适合大规模部署，特别是在需要跨平台部署和嵌入式部署的时候。静态图会方便部署。

还是离不开TensorFlow？

即便如此，作为研究人员，也还是有理由继续和TensorFlow在一起。

上个月，名叫Jeff Hale的数据科学家，做过一次深度学习框架排行榜。

他收集了各式各样的数据，其中一项就是GitHub活跃度：

TF的标星 (Star) 、分叉 (Fork) 、关注量 (Watch) 和贡献者 (Contributor) 四项指标，对手皆是望尘莫及。

普及率当仁不让，资源也是最多，许多模型都能找到TF的代码实现。用户量大，遇到问题也容易找到解决的方法。

成熟的生态系统，大概就是这个样子吧。就算有诸多不便，依然是家园。

PyTorch 1.0三大更新

昨天，Facebook在F8大会上发布了PyTorch 1.0 rc1。这次重大更新，主要包括三点：

· 加了个新的混合前端 (Hybrid Front End) ，支持从Eager模式到图形模式的追踪，填补研究和生产部署之间的鸿沟；

· 加了个改进过的torch.distributed库，让用户能在Python和C++环境之间，更快地训练模型；

· 加了个Eager模式C++接口，来支持那些需要高性能、低延时才能完成的研究。

详细资料请至：

https://github.com/pytorch/pytorch/releases/

PyTorch的个位数更新了，TensorFlow还会远么？

日常预告TensorFlow 2.0

8月中旬，来自谷歌大脑的Martin Wicke透露，TensorFlow 2.0的一个预览版，在今年晚些时候就会和程序猿们见面了。

他说，大家可以期待以下几点更新：

· Eager Execution会成为2.0的一个核心功能。这个命令式的编程环境，会让入门TensorFlow变得更容易。

· 支持更多平台、更多语言；通过交换格式的标准化以及API的协调，来提升组件之间的兼容性和对等性。

· 移除已弃用的API，并减少重复，也是减少用户的困惑。

这里，强调了让新人更容易上手这一点，也许能挽回一部分望而生畏、准备投奔PyTorch的研究人员。

往后，TensorFlow和PyTorch之间的比赛，大概会越来越好看。