DL：深度学习框架Pytorch、Tensorflow各种角度对比
目录先看两个框架实现同样功能的代码1、Pytorch、Tensorflow代码比较2、Pytorch、Tensorflow概念比较
相关文章DL：深度学习框架Pytorch、Tensorflow各种角度对比DL：深度学习框架Pytorch、Tensorflow各种角度对比——案例代码实现
先看两个框架实现同样功能的代码1、Pytorch、Tensorflow代码比较
DL框架之PyTorch：PyTorch的简介、安装、使用方法之详细攻略DL框架之Tensorflow：Tensorflow的简介、安装、使用方法之详细攻略DL：深度学习框架Pytorch、Tensorflow各种角度对比——案例代码实现
2、Pytorch、Tensorflow概念比较
两种框架都在张量上运行，把任何模型都看作一个有向非循环图（DAG），但对于如何定义它们，PyTorch和TensorFlow区别很大。在便利性和上手难度上，PyTorch远胜于TensorFlow，原因是PyTorch是基于动态图，而TensorFlow是基于静态计算图，因此PyTorch能随时打印tensor的值，但是TensorFlow需要设置回调的方法才能打印，如果想在TensorFlow中想判断一个变量的值的正确性，只能使用assert方法，这一点确实TensorFlow不及PyTorch，而在上手难度上PyTorch也是比TensorFlow容易。
TensorFlow遵循“数据即是代码，代码就是数据”的理念。在TensorFlow中，在跑模型之前会静态的定义图形。和外界的所有联系都是通过tf.Session对象和tf.Placeholder，它们都是会在模型运行被外部数据取代的张量。 在PyTorch中，会更动态一些：你可以随着进展定义、更改和执行节点，没有特殊的会话界面或占位符。 整体来看，PyTorch和Python结合的更紧凑些，多数时候会感觉更原生。而在TensorFlow里写东西时，有时你会觉得你的模型好像躲在一堵墙后面一样，就通过墙上的几个洞洞跟你交流。当然了，这也看每个人的喜好和品味。 PyTorch更适用于研究、爱好者和小规模项目的快速原型开发。TensorFlow更适合大规模部署，尤其是涉及跨平台和嵌入式部署时。
TensorFlow—Google—像框架、静态图、公司好手、大规模部署
PyTorch开始会看起来很像一个框架。回想一下，编程框架会在特定领域为我们提供有用的抽象，用它们可以很方便的解决具体问题。而这是框架和库的的本质区别之处。
(1)、TensorFlow基于静态图：在TensorFlow中，图结构是静态的，也就是说图在「编译」之后再运行。需要先构建一个计算图，构建好了之后，这样一个计算图是不能够变的了，然后再传入不同的数据进去，进行计算。即固定了计算的流程，所以变得不太灵活。 1)、如果要去改变计算的逻辑，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，或者是很麻烦。(2)、TensorFlow不容易调试：调试TensorFlow则没这么容易。它有两个选择，一是从会话中请求你想检查的变量，而是学会使用TensorFlow调试器（tfdbg）。 1)、TensorFlow则不同，你可以选择用一个叫tfdbg的特殊工具，它能让你在运行时评估TensorFlow表达式，浏览所有张量，在会话范围中操作。当然，无法用它调试Python代码，因此无需单独使用pdb。
(3)、TensorFlow上手需学习额外概念—会话、图、变量范围、占位符：可以将TensorFlow看作是一种嵌入Python的编程语言。当你编写TensorFlow代码时，它会被Python编译成图（graph），然后由TensorFlow执行引擎运行。 1)、所以，TensorFlow还有一些需要额外学习的概念，比如会话（session）、图、变量范围、占位符。要让基本的模型跑起来也需要更多样板代码。上手TensorFlow的时间肯定会比PyTorch长。
(4)、TensorFlow的序列化更强大：TensorFlow的Saver对象也很容易使用，而且也为检查点提供了更多选择。TensorFlow在序列化方面的主要优势是整个计算图都可以保存为protocolbuffer。这既包括参数，也包括运算。然后这个图可以用其它支持的语言（C++、Java）加载。对于不支持Python的部署环境来说，这是非常重要的功能。而且理论上，这个功能也可以在你修改模型的源代码，但又想运行旧模型时为你提供帮助。
(5)、TensorFlow支持移动和嵌入式部署：但是在TensorFlow上，要将模型部署到安卓或iOS上需要不小的工作量，但至少你不必使用Java或C++重写你模型的整个推理部分。 1)、对于高性能服务器上的部署，还有TensorFlowServing可用。除了性能方面的优势，TensorFlowServing的另一个重要特性是无需中断服务，就能实现模型的热插拔。
(6)、TensorFlow的数据加载比较复杂：我还没找到TensorFlow的非常有用的数据加载工具（读取器、队列、队列运行器等等）。部分原因是要将你想并行运行的所有预处理代码加入到TensorFlow图中并不总是那么简单直接（比如计算频谱图）。另外，TensorFlow的API本身也更加冗长，学习起来也更难。
(7)、TensorFlow的设备管理默认即可：设备管理的无缝性能非常好，通常你不需要指定任何东西，因为默认的设置就很好。比如说，TensorFlow假设如果存在可用的GPU，你就希望在GPU上运行。 1)、TensorFlow设备管理的唯一缺陷是它会默认占用所有可用的GPU上的所有内存，即使真正用到的只有其中一个。但也有一种简单的解决方案，就是指定CUDA_VISIBLE_DEVICES。有时候人们会忘记这一点，就会让GPU看起来很繁忙，尽管实际上它们啥也没干。
(8)、TensorFlow的强大的可视化工具TensorBoard：TensorBoard是一个用于可视化训练机器学习模型各个方面的工具。它是TensorFlow项目产出的最有用的功能之一。仅需在训练脚本中加入少许代码，你就可以查看任何模型的训练曲线和验证结果。TensorBoard作为一个网页服务运行，可以尤其方便地可视化存储在headless节点上的结果。 1)、展示模型图形、绘制标量变量、可视化分布和直方图、可视化图形 播放音频
(9)、TensorFlow持支持分布式执行、支持大规模分布式训练：在GPU的分布式计算上更为出色，在数据量巨大时效率比pytorch要高一些。
PyTorch—FaceBook—像库、动态图、科研好手、小规模项目
TensorFlow给人的感觉更像是一个库，而非一个框架：所有的操作都为低阶操作，你需要写很多样板代码，即便你可能并不想写（比如，一遍又一遍的定义方差和权重···）。
(1)、PyTorch基于动态图：创建和运行计算图可能是这两个框架差别最大的地方。在PyTorch中，图结构是动态的，也就是说图是在运行时创建的。即就和python的逻辑是一样的，要对变量做任何操作都是灵活的。(2)、PyTorch容易理解且易调试：简单的图构建方式更容易理解，但也许更重要的是也更容易调试。调试PyTorch代码就跟调试Python代码一样。你可以使用pdb，并且可以在任何地方设置断点。 1)、 PyTorch的计算图是在运行时定义，可以用pdb，ipdb，PyCharm这些Python调试工具或者以前的可靠的打印语句也行。(3)、PyTorch结合NumPy更易上手：PyTorch本质上是支持GPU的NumPy替代，配备了可用于构建和训练深度神经网络的更高级的功能。所以如果你熟悉NumPy、Python和常用的深度学习抽象（卷积层、循环层、SGD等），那PyTorch就很容易学。
(4)、PyTorch序列化的API比较简单：在这两种框架中，保存和加载模型都很简单。PyTorch有一个非常简单的API，既可以保存模型的所有权重，也可以pickle（加工）整个类。
(5)、PyTorch不支持移动和嵌入式部署：而包括PyTorch在内的很多深度学习框架都没有这个能力。
(6)、PyTorch的数据加载API设计得很好：数据集、采样器和数据加载器的接口都是特定的。数据加载器可以接收一个数据集和一个采样器，并根据该采样器的调度得出数据集上的一个迭代器（iterator）。并行化数据加载很简单，只需为数据加载器传递一个num_workers参数即可。
(7)、PyTorch的设备管理必须指定：而在PyTorch中，你必须在启用了CUDA之后明确地将所有东西移到GPU上。
(8)、PyTorch的可视化只能调用matplotlib、seaborn等库：目前PyTorch并没有可以和Tensorboard匹敌的工具，不过倒是存在一些集成功能。虽然也能用一些绘图工具比如matplotlib和seaborn
(9)、PyTorch支持支持分布式执行、暂时不支持分布式训练：
