TensorFlow与PyTorch: 哪一种框架更适合深度学习模型?

因为人工智能正在几乎全部自动化领域获得渗透。 深度学习是用于开发和最大化类人计算机效率的最棘手的架构之一。 为了帮助产品开发人员，Google，Facebook和其余大型科技公司已经发布了各类Python环境框架，能够学习，构建和培训多样化的神经网络。

 

谷歌的TensorFlow是深度学习的开源框架，多年来受到欢迎。 使用新框架，PyTorch因其易于编写的代码而受到初学者的关注。 PyTorch是基于Python，C ++和CUDA后端开发的，可用于Linux，macOS和Windows。

这两个普遍使用的框架之间存在一些差别，多是由于它们实现代码，可视化技术以及静态和动态编程的方式。

 

咱们来看看差别：

部署代码

初始化时，在PyTorch上分配和构建图形遵循动态计算图形方法。 熟悉Python中的数学库的用户会发现它很容易，由于人们没必要为了构建图形而头脑发热。 您能够按照本身的方式直接编写输入和输出功能，而无需担忧尺寸张量。 经过CUDA支持，这使生活变得更加容易。

在TensorFlow中，人们必须努力构建张量（图形）的维度以及为变量分配占位符。 完成此操做后，必须运行会话才能计算出全部计算结果。 这样的痛苦，不是吗？

例如，tf.Session（）用于构建会话，tf.Variable（）用于将权重分配给变量，依此类推。 初始化后，能够构建一个神经网络，用于TensorFlow中的训练。

文档

PyTorch和TensorFlow的文档普遍可用，考虑到二者都在开发中，而PyTorch是最近发布的，与TensorFlow相比。 人们能够在两个框架上找到大量文档，其中实现获得了很好的描述。

这两个框架都提供了大量的教程，这有助于人们专一于经过用例学习和实现它们。

设备适配

PyTorch和TensorFlow都有GPU扩展可用。这两个框架之间的主要区别在于，当考虑GPU进行TensorFlow计算时，它会消耗全部可用GPU的整个内存。经过为特定进程分配正确的GPU设备能够避免这种状况。 tf.device（）为您提供选择首选GPU的选项。因为TensorFlow是一种静态计算图形方法，所以能够轻松优化此框架上的代码。

在PyTorch上，变量能够与权重一块儿分配并同时运行，其中框架构建计算所需的图形。这方面的GPU使用已经经过CUDA安装启用，即便在尝试在CPU上运行时，PyTorch也老是试图找到要计算的GPU。所以，必须提供X.cpu（）扩展才能在CPU上运行它。

在TensorFlow tf.device（/ cpu：0）：参数用于在CPU上运行它。也能够选择使用tf.device（/ gpu：0）的GPU来选择第一个GPU或tf.device（/ gpu：1）来选择第二个GPU。

模型可视化

可视化是理解模型性能和工做的关键。 TensorFlow具备图形和模型TensorBoard的实时表示功能，很是方便。 在这里，人们不只可以得到神经网络的图形表示，还可以得到实时的损失和准确度图，其描绘了模型在特定迭代中的精确度。

 

这是一个实时分析，与PyTorch相比，TensorFlow更擅长此项，而PyTorch彻底缺少此功能。 您还能够可视化神经网络的流程图，包括音频文件（若是您的数据中存在），这很是棒。

结论

在将来，PyTorch可能会像TensorBoard同样添加可视化功能。 PyTorch因其动态的计算方法和简单性而愈来愈受欢迎。 建议初学者在继续使用TensorFlow以前在PyTorch上工做，这有助于他们专一于模型而不是花时间构建图形。

鉴于TensorFlow目前这么流行，想要学习和实践的程序员们也能够了解下谷歌最近的AI开源项目——AIY Projects。AIY 全称是 Artificial Intelligence Yourself，顾名思义就是利用 AI 来进行的 DIY 功能套件。借助 AIY 项目，创客能够利用人工智能来实现更像人与人交流的人机交互。谷歌目前为 AIY Projects 推出了两款硬件产品--AIY Voice Kit 和 AIY Vision Kit。

 

Vision Kit 由Raspberry Pi和Intel movidius提供动力。它能够运行具备低耗处理能力的深度学习算法。Raspberry Pi Zero WH 包括视觉处理单元芯片，能够高效地运行Tensor Flow图像处理。

并且谷歌为此还发布了一个TensorFlow.js的工具，有了这项工具，即便不是机器视觉领域的专家，你们也能够实现不少应用场景，好比在浏览器中训练本身的宠物脸辨识系统，在自家的监视系统中使用等等。