哪种深度学习框架发展最快？

点击上方关注，All in AI中国

在2018年9月，我在需求、使用和受欢迎程度方面比较了所有主要的深度学习框架。 TensorFlow是深度学习框架的冠军，PyTorch是最年轻的框架。

在过去六个月中，领先的深度学习框架的情况如何变化？

为了回答这个问题，我查看了Indeed、Monster、LinkedIn和SimplyHired上的职位列表数量。我还评估了Google搜索量、GitHub活动、Medium文章、ArXiv文章和Quora主题关注者的变化。总的来说，这些资源描绘了需求、使用和兴趣增长的全面图景。

集成和更新

我们最近在TensorFlow和PyTorch框架中看到了几个重要的发展。

PyTorch v1.0于2018年10月发布，与此同时，fastai v1.0也发布了。这两个版本都标志着框架成熟的重要里程碑。

TensorFlow 2.0 alpha于2019年3月4日发布。它增加了新功能并改善了用户体验。它更加紧密地集成了Keras及其高级API。

方法

在本文中，我将Keras和fastai包含在比较中，因为它们与TensorFlow和PyTorch紧密集成。它们也为评估TensorFlow和PyTorch提供了尺度。

我不会在本文中探索其他深度学习框架。我希望我会收到反馈，Caffe、Theano、MXNET、CNTK、DeepLearning4J或Chainer值得讨论。虽然这些框架各有其优点，但它们似乎都没有处于增长轨道，不太可能接近TensorFlow或PyTorch。它们也不是与这两个框架紧密耦合的。

搜索在2019年3月20日至21日进行。源数据在此Google表格中。

我使用了绘图数据可视化库来探索流行度。对于交互式情节图表，请在此处查看我的Kaggle Kernel。2019 Deep Learning Framework Growth Scores | Kaggle

让我们看看每个类别的结果。

更改在线职位列表

为了确定在当今的就业市场中需要哪些深度学习库，我在Indeed、LinkedIn、Monster和SimplyHired上搜索了工作列表。

我搜索了机器学习这个词，然后是库名。所以TensorFlow通过机器学习TensorFlow进行评估。由于历史比较的原因，没有机器学习的搜索不会产生明显不同的结果。搜索区域是美国。

我从2019年3月的列表数量中减去了六个月前的列表数量。以下是我的发现：

TensorFlow的列表增幅略大于PyTorch。 Keras也看到了列表数量增长 - 大约是TensorFlow的一半。 Fastai仍然没有显示任何工作列表。

请注意，除了LinkedIn之外，PyTorch在除了TensorFlow之外的所有求职网站上都有更多的附加列表。另请注意，从绝对意义上讲，TensorFlow的工作列表数量几乎是PyTorch或Keras的三倍。

平均Google搜索活动的更改

在最大的搜索引擎上进行网络搜索是衡量受欢迎程度的一个指标。我查看过去一年Google趋势中的搜索记录。我搜索了全世界对机器学习和人工智能类别的兴趣。 Google不提供绝对搜索数字，但确实提供了相对数据。

我采用了过去六个月的平均利息分数，并将其与前六个月的平均利息分数进行了比较。

在过去的六个月中，TensorFlow的相对搜索量有所下降，而PyTorch的相对搜索量却在增长。

下面谷歌的图表显示了过去一年的搜索兴趣。

TensorFlow是蓝色; Keras是黄色，PyTorch是红色，fastai是绿色

Medium文章

Medium是数据科学文章和教程一个热门的网站。

在过去的六个月里，我使用了对Medium.com的谷歌网站搜索，发现TensorFlow和Keras发布了相似数量的文章。 PyTorch相关的数量相对较少。

作为高级API，Keras和fastai受到新的深度学习从业者的欢迎。 Medium有许多教程展示了如何使用这些框架。

新的arXiv文章

arXiv是大多数学术深度学习文章发布的在线存储库。我搜索了过去六个月使用Google网站搜索结果提及arXiv上每个框架的新文章。

TensorFlow的新文章出现率最高。

新的GitHub活动

最近关于GitHub的活动是框架流行度的另一个指标。我在下面的图表中打破了星，叉，观察者和贡献者。

TensorFlow在每个类别中拥有最多的GitHub活动。然而，PyTorch在观察者和贡献者的增长方面非常接近。此外，Fastai上看到了许多新的贡献者。

Keras的一些贡献者在TensorFlow库中进行了研究。值得注意的是，TensorFlow和Keras都是由Google员工带头开发的开源产品。

新Quora的追随者

我添加了新的Quora主题关注者的数量 - 一个我之前没有数据的新类别。

TensorFlow在过去六个月中添加了最多的新主题粉丝。 PyTorch和Keras每个都增加了很多。

获得所有数据后，我将其合并为一个度量标准。

分数增长的过程

以下是我创建增长分数的方法：

• 扩展0到1之间的所有特性。
• 聚合在线职位列表和GitHub活动子类别。
• 根据以下百分比加权类别。

• 乘以可理解性的加权分数100
• 将每个框架的类别分数总计为单个增长分数。

工作列表占总分的三分之一多一点。这种分裂似乎是一个合适的平衡的各种类别。与我的2018年功率分数分析不同，我没有包括KDNuggets使用情况调查（没有新数据）或书籍（六个月内发布的数量不多）。

结果

以下是表格形式的变化。

Google Sheet在这里

这是类别和最终得分

以下是最终的增长分数。

TensorFlow是目前需求最多、增长最快的框架，短期内不会有任何进展。PyTorch也正在迅速发展。它在工作列表中的大量增加证明了其使用和需求的增加。在过去的六个月里，Keras也有了很大的发展。最后，fastai从一个较低的基线发展而来。值得记住的是，它是最年轻的。

TensorFlow和PyTorch都是很好的学习框架。

学习建议

如果你想学习TensorFlow，我建议你从Keras开始。我推荐Chollet的Python深度学习和Dan Becker关于Keras的DataCamp课程。 Tensorflow 2.0通过tf.keras使用Keras作为其高级API。这是Chollet对TensorFlow 2.0的快速入门介绍。

如果你想学习PyTorch，我建议你从fast.ai的MOOC实践深度学习编码器开始，v3。您将学习深度学习基础知识、fastai和PyTorch基础知识。

TensorFlow和PyTorch的未来发展方向是什么？

未来发展方向

我一直听说人们更喜欢使用PyTorch而不是TensorFlow。 PyTorch更具python化，并且具有更一致的API。它还具有原生的ONNX模型导出，可用于加速推理。此外，PyTorch与numpy共享许多命令，这减少了学习它的障碍。

然而，TensorFlow 2.0完全是为了改进用户体验，正如谷歌首席决策情报工程师Cassie Kozyrkov在此解释的那样。 TensorFlow现在将拥有一个更直接的API、简化的Keras集成和急切的执行选项。这些变化以及TensorFlow的广泛采用，应该有助于该框架在未来几年保持流行。

TensorFlow最近宣布了另一个激动人心的计划：为TensorFlow开发Swift。 Swift是一种最初由Apple构建的编程语言。在执行和开发速度方面，Swift比Python有许多优势。 Fast.ai将在部分高级MOOC中使用Swift for TensorFlow。这门语言可能一两年内都不会在黄金时段出现，但它可能比目前的深度学习框架有所改进。

语言和框架之间的协作和交叉授粉肯定已经正在发生了。

影响深度学习框架的另一个进步是量子计算。一台可用的量子计算机可能需要几年的时间，但谷歌、IBM、微软和其他公司正在考虑如何将量子计算与深度学习相结合。需要调整框架以适应这种新技术。

总结

你已经看到TensorFlow和PyTorch都在增长。两者现在都有很好的高级API。tf.keras和fastai降低了深度学习入门的障碍。您还听说了一些最近的发展和未来方向。

要以交互方式使用本文中的图表或或者使用Jupyter笔记本。

编译出品