初识pytorch（一）

pytorch和TensorFlow的区别

TensorFlow目前是DeepLearning中最常用的开发工具，它不仅仅是一个框架，更是一个囊括了DeepLearning整个开发、服务流程的工具，而且已经继承了很多成熟的模型，发展很快。

pytorch更偏重于框架，相对于TensorFlow，它更精简，更贴近python语法，尤其是对动态图的天然支持，写pytorch就像写python一样自然。

成熟程度上，TensorFlow更胜一筹，目前要发布2.0版本了，已经得到开源社区得长期检验；

学习难度上，pytorch更好一些，因为动态图的支持，更贴近程序语言，方便调试

市场覆盖上，肯定是TensorFlow更广泛，但是pytorch的发展也很迅速，目前开发DeepLearning模型，需要的工具，也都能提供。

网上有很多不错的介绍，如：

面对Tensorflow，为何我选择PyTorch

PyTorch VS TensorFlow：细数两者的不同之处

TensorFlow更像是一个系统，给你定义好了一切，pytorch更像是一个库，你需要更多的探索。

pytorch的tensor

不论哪种深度学习框架，都会以tensor作为最基础的数据结构，就像TensorFlow它的名字一样。pytorch的tensor和TensorFlow的tensor理念上基本一致，可以放在CPU中计算，也可以放在GPU中计算。

生成一个Tensor，和python初始化一个数据结构的流程一样，只要给他赋值就可以，不像Tensorflow需要定义成placeholder之类的，比较简洁，这也是动态图的好处。

看到这里，是不是想到numpy里面的ndarray？是的，pytorch是可以作为numpy的替代，它不仅可以像numpy那样在CPU中运算，还可以在GPU中，所以我们使用的时候，可以这样想，pytorch可以像numpy那样，而且继承了深度学习需要的自动推导等功能。