雷鋒網(wǎng) AI科技評論按：日前，英偉達深度學習項目實習生Dominic Monn在medium上發(fā)文總結了他使用PyTorch和TensorFlow的一些體會，在文章中，他從安裝、使用、文件、社群等方面簡單對比了這兩種框架。

他曾是TensorFlow用戶，加入英偉達后開始使用PyTorch，下面是的他的一些使用體驗：

安裝

PyTorch安裝起來很容易，也很直接，大家可以通過PIP來安裝，也可以直接選擇源碼安裝。PyTorch也提供Docker圖，大家可以在項目中把Docker圖用作base image。

PyTorch并不像TensorFlow一樣已經(jīng)指定好CPU和GPU，雖然它的這一特征可以讓安裝更加簡單，但如果在項目中想要同時支持GPU和CPU，將會產生更多代碼。

使用

PyTorch提供非常Python化的API接口，這與TensorFlow有很大差別，TensorFlow需要先定義所有的張量和圖，然后再執(zhí)行相應的會話操作。雖然PyTorch的這一特性使得代碼變多了，但會更加清晰。

PyTorch圖必須定義在從PyTorch nn.Module類繼承過來的類中，運行圖的時候會調用forward()函數(shù)，通過這種“約定優(yōu)于配置”（convention over configuration）的方式，圖的位置一直處于可知狀態(tài)，也不會在余下的代碼中定義變量。

你可能會需要一段時間來適應PyTorch中的這種“新”方法，不過如果你以前在深度學習的研究之外用過Python，這種方法對你來說會很直觀。

也有一些人這樣評價——與TensorFlow相比，PyTorch在許多模型上都有更加優(yōu)秀的表現(xiàn)。

文件

PyTorch的大部分文檔都是完整的，我每次都能成功找到函數(shù)或模塊的定義。TensorFlow所有的函數(shù)都在一個頁面，而PyTorch不同于TensorFlow，每個模塊只用一個頁面。如果你要用Google找一個函數(shù)，這會有點困難。

社群

很明顯，PyTorch社群不像TensorFlow那么龐大，但很多人都喜歡在業(yè)余時間用PyTorch，即使他們工作時使用的是TensorFlow。我認為，一旦PyTorch發(fā)布正式版，PyTorch社群會變得更大。在目前，仍然很難找到非常精通PyTorch的人。

不過它的社群也足夠大了，如果在官方論壇上提出問題，通常很快就能得到解答。許多優(yōu)秀神經(jīng)網(wǎng)絡模型也有PyTorch的操作樣例了。

工具和輔助功能

雖然PyTorch能提供相當多的工具，但仍然缺少一些非常有用的部分。例如它沒有類似于TensorBoard這種非常有用的工具，這會導致很難進行可視化。

此外它也缺失一些常用的輔助功能，比起TensorFlow來說需要我們自己寫更多的代碼。

總結

PyTorch是TensorFlow之外一個非常好的選擇，雖然 PyTorch仍在測試階段，我希望在可用性、文件和性能方面它能有更多的改變和進步。PyTorch非常Python化，用起來很容易。它的社群活躍，文件齊全，據(jù)稱它比TensorFlow更快。然而，它的社群比起TensorFlow來說，仍然只是九牛一毛，并且缺失了諸如 TensorBoard等一些非常有用的工具。

雷鋒網(wǎng) AI科技評論注，除了Dominic Monn近日對這兩種框架的對比， 斯坦福大學計算機科學博士生Awni Hannun也曾發(fā)文撰寫了這兩個框架之間的主要差異，詳情可以參見用PyTorch還是TensorFlow？斯坦福大學CS博士生帶來全面解答。

雷鋒網(wǎng) AI科技評論編譯整理。

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。