TensorFlow和PyTorch，誰才是王者？本文詳細的從多個角度對TensorFlow和PyTorch進行了對比，以求找出二者在接下來的時間里，哪個會成為最有話語權(quán)的深度學(xué)習(xí)框架。

TensorFlow是毫無爭議的深度學(xué)習(xí)框架重量級冠軍，而PyTorch是年輕的后起之秀，贏的了不少人的青睞。

最近TensorFlow在3月4日發(fā)布了2.0公測版，增加了新功能。改善了用戶體驗，更加緊密地集成了Keras作為其高級API。這一版本和1.x相比，改動相當(dāng)大，以至于你需要遷移代碼庫。Google自己也一樣需要做同樣的事情，所以他們特意出了一套官方的遷移指南，甚至還開發(fā)了工具來幫助簡化遷移代碼的工作量。聽起來真是讓人頭禿。

PyTorch v1.0和fastai v1.0都是在2018年10月發(fā)布的，這兩個版本標志著框架成熟的重要里程碑。Facebook也剛剛開源了大規(guī)模圖嵌入系統(tǒng)PyTorch-BigGraph，而且因為TensorFlow有些激進的升級，導(dǎo)致給PyTorch送了一波新粉絲。

所以2019年，到底TensorFlow能夠繼續(xù)穩(wěn)坐冠軍寶座，或是被PyTorch超越？為了找出這個問題的答案，數(shù)據(jù)科學(xué)家、Rebel Desk的COO、Medium優(yōu)秀作者Jeff Hale查看了Indeed Monster、LinkedIn和SimplyHired上的職位列表數(shù)量、評估了Google搜索量、GitHub活躍度，Medium文章、ArXiv論文和Quora主題關(guān)注者的變化，從多個維度對二者進行了對比，可以說是非常具有說服力了。

從在線職位列表變化進行對比

崗位需求最直接的表現(xiàn)了市場對某種框架的需求程度。為了確定在當(dāng)今的就業(yè)市場中需要哪些深度學(xué)習(xí)庫，Jeff在Indeed，LinkedIn，Monster和SimplyHired上搜索了工作列表。

搜索的方式是在庫名前面加前綴“機器學(xué)習(xí)”，例如TensorFlow就是“機器學(xué)習(xí)TensorFlow”，此方法僅用于歷史比較，不加機器學(xué)習(xí)前綴的搜索沒有產(chǎn)生明顯不同的結(jié)果。搜索區(qū)域是美國。

從2019年3月的崗位數(shù)量中減去了六個月前的崗位數(shù)量結(jié)果發(fā)現(xiàn)：

TensorFlow的列表增幅略大于PyTorch，Keras的增量大約是TensorFlow的一半，而fastai則是完全沒有市場，略有些尷尬。

值得注意的是，除了LinkedIn，其他網(wǎng)站上PyTorch的增量要比TensorFlow大；而TensorFlow的工作需求量，幾乎是PyTorch或Keras的三倍。

從平均Google搜索活躍度進行對比

Google的搜索結(jié)果也是衡量人氣的重要指標。從過去一年Google趨勢來看，去年下半年TensorFlow的相對搜索量有所下降，而PyTorch的相對搜索量卻在增長。

TensorFlow為藍色; Keras以黃色，PyTorch以紅色，fastai以綠色

從Medium文章數(shù)量進行對比

Medium絕對是數(shù)據(jù)科學(xué)文章和教程的聚集地，Medium上面關(guān)于TensorFlow和PyTorch文章的數(shù)量也能夠體現(xiàn)學(xué)者和開發(fā)者以及科技媒體對二者的關(guān)注度。

在過去的六個月里，Medium上TensorFlow和Keras有關(guān)的文章數(shù)量相當(dāng)，而PyTorch相對較少。

作為高級API，Keras和fastai受到新的深度學(xué)習(xí)從業(yè)者的歡迎。 新增了很多相關(guān)的教程。

從新增的arXiv文章進行對比

arXiv是大多數(shù)學(xué)術(shù)深度學(xué)習(xí)文章的在線存儲庫，代表了學(xué)術(shù)風(fēng)向標。在arXiv中，過去六個月TensorFlow的新文章出現(xiàn)率最高，

從GitHub活躍度進行對比

如果說arXiv代表了學(xué)術(shù)風(fēng)向標，那么Github無疑就是代表了開發(fā)者的風(fēng)向標。最近關(guān)于GitHub的活動是框架流行度的另一個指標。

從上圖可以看出，TensorFlow在star、fork、watch和貢獻者4個方面活躍度均是最高，然而PyTorch在watch數(shù)和貢獻者的增長方面非常接近。相對于star來說，watch更能體現(xiàn)開發(fā)者對一個項目的關(guān)注度。Watch相當(dāng)于follow或者訂閱，意味著這個項目對開發(fā)者來說具有比較重大的意義。而star類似點贊，僅僅表達了用戶對該項目的好感。

值得注意的是，F(xiàn)astai最近的貢獻者數(shù)量在增加。

從Quora上的新增關(guān)注數(shù)來進行對比

作為目前最大最活躍的線上問答社區(qū)，Quora上的關(guān)注度也能在一定程度上體現(xiàn)大眾對一個產(chǎn)品的關(guān)注度。

顯然在Quora上，TF最受大家關(guān)注，大家對TF的也問題最多。PyTorch和Keras也有比較多的新增關(guān)注，F(xiàn)astAI就有些尷尬了。

數(shù)據(jù)分析方法

Jeff創(chuàng)建了一個計算增長分數(shù)的方法：

衡量0到1之間的所有功能

聚合在線職位列表和GitHub活躍度

類別的權(quán)重根據(jù)以下百分比

為了更好的理解，權(quán)重分數(shù)都乘以100

將每個框架的類別分匯總為單個增長分

工作列表占總分的三分之一多一點，畢竟俗話說得好：金錢萬能，有錢能使鬼推磨。

結(jié)果

以下是表格形式的變化：

以下類別和最終得分：

以下是最終的增長分：

TensorFlow需求最旺盛，增長也最快。但是PyTorch也在迅速發(fā)展，和TensorFlow的差距并沒有特別大。它在工作崗位需求中的大量增加證明了其使用和需求的增加。

在過去的六個月里，Keras也有了很大的發(fā)展。最后，雖然fastai分數(shù)最低，但也最年輕，未來還不好說。

未來暢想

所謂蘿卜青菜各有所愛。PyTorch更有Python味兒，API也更一致。它還具有原生的ONNX模型導(dǎo)出，可用于加速推理。此外，PyTorch與numpy共享許多命令，從而降低了學(xué)習(xí)門檻。

TensorFlow 2.0則完全是為了改進用戶體驗。正如谷歌首席決策情報工程師Cassie Kozyrkov之前解釋的那樣，TensorFlow現(xiàn)在擁有更直接的API，更簡化的Keras集成，更偏實用層面，應(yīng)該有助于該框架在未來幾年保持流行。

TensorFlow最近宣布了另一個激動人心的計劃：Swift for TensorFlow。Swift最初由Apple構(gòu)建的編程語言，在執(zhí)行和開發(fā)速度方面，Swift比Python有許多優(yōu)勢。

Fast.ai將在部分高級MOOC中使用Swift for TensorFlow，這門語言可能不會在一兩年內(nèi)有突破性的發(fā)展，但它可能是對當(dāng)前深度學(xué)習(xí)框架的改進。

未來量子計算的發(fā)展可能會影響到深度學(xué)習(xí)框架，需要適配這項新技術(shù)。

所以，親愛的讀者，你會如何選擇呢？