760
对于争宠机器学习界之”最好的语言“总是战火不断。首先我们都初步了解Facebook的pytorch是一个动态的框架，用户增长更快。而Google的TensorFlow是一个静态的框架，出的更早，用的人更多。TensorFlow的静态框架是，我们需要先构建一个TensorFlow的计算图，构建好了之后，这样一个计算图是不能够变的了，然后我们再传入不同的数据进去，进行计算。因此有了固定的计算流程，灵活性便显得弱势；如果我们要改变计算的逻辑，或者随着时间变化的计算逻辑，这样的动态计算TensorFlow是实现不了的，或者可以说很麻烦。
而就在近期，曾经在Google Brain工作一年的前员工Denny Britz在自己的推特上表示已经动摇了自己专宠于TensorFlow的想法，打算转宠PyTorch了。
要知道就在四个月前，Denny Britz还认为TensorFlow和PyTorch大部分时候差别不大，除了个别情况，选哪个都行。
而究竟因为什么能让一个Google Brain前员工都放弃TensorFlow？Denny列出了PyTorch的好处。
Denny特别强调，自己的判断是针对研究角度的，也就是实现非标准模型和低级层，如果不是研究者，只需要一个库在一个数据集上跑出结果的话，TensorFlow和PyTorch都很好，不用刻意选择。
他觉得相比TensorFlow，PyTorch有以下几点不同：
- 统一性。与TensorFlow相比，PyTorch非常干净、统一，文档化非常好，也没有大量重复的函数，代码里没有deprecation warning，完成一件事情用一种方法就好了，不需要10种不同的方法互相竞争，这样生产力很高。
- 性能相差不大。在性能上，PyTorch和TensorFlow几乎没什么差别，在Denny的测试中，PyTorch的速度要稍微快一丢丢，不过他觉得这影响不大。
- 简洁性。PyTorch代码更简洁易读，PyTorch实现平均短得多，而且对于不熟悉图形编程的人来说看起来更直观。
不过，他也觉得PyTorch还有一些缺陷。一个缺陷就是可视化，有几个开源项目来实现可视化，但是没有一个好用的，他是真的想在多个自定义层级上实现可视化图形，在TensorFlow里这很简单，只要用名字作用域+Tensorboard就搞定了。
这让Denny很费解：“我是真心觉得可视化这事不难，直接允许用户用作用域标记模块，然后创建d3js图形就好了。”JIT编译也是一大缺陷。有一些操作不支持，追踪也仅适用于简单模型的一小部分，因为长得太像TensorFlow，Torch编写过程也很痛苦，所以Denny还没法去JIT编译自己的所有模型。
而对于这两个框架，众说纷纭，成为经久不衰的一个话题。那么，谁又会成为真正的最受欢迎呢？
