PyTorch和TensorFlow哪个更好？看一线开发者怎么说

Theano、TensorFlow、Torch、MXNet 再到近日比较热门的 PyTorch 等等，深度学习框架之间的比较一直以来都是非常受人关注的热点话题。不过你知道用户实际用起来的感觉怎么样吗？近日，Reddit 用户 cjmcmurtrie 发了一个主题为「PyTorch vs. TensorFlow」的讨论帖，想要了解这两大流行的框架之间各自有什么优势。

帖子一楼写道：

我还没有从 Torch7 迁移到 TensorFlow。我玩过 TensorFlow，但我发现 Torch7 更加直观（也许是我玩得不够？）。我也尝试了一点 PyTorch，所以我决定先看看效果。

使用了几周 PyTorch 之后，我认为我现在还不必迁移到 TensorFlow，至少在我感兴趣的项目上还不需要。用 PyTorch 写自定义模块真是简单至极。而且其动态图构建（dynamic graph construction）给我之前需要熬夜实现（或等待列表上）的东西带来了很多新想法。我认为对机器学习开发者来说，PyTorch 是一个了不起的工具集。我也知道 TensorFlow 的社区资源要强大得多，但如果要开发全新的项目（而不是为已有的架构重新写代码或阅读教程），社区也不一定能有很大的帮助。

这个 Reddit 帖子发出后得到了很多机器学习研究者和开发者的关注，他们纷纷跟贴谈论自己的想法和经验（不只是关于 PyTorch 和 TensorFlow，讨论中还涉及到更多工具）。

下文为我们提炼的一些观点，原帖请看：https://redd.it/5w3q74

TensorFlow 

优势：

• 等效的图形编译（graph compilation）要快得多；我们用了几秒而不是几分钟。但是它仍然不够快，如果我们想要将它的大部分添加到我们的 CI 套件（CI suite），但我们不需要等待很长时间来开始训练。

• 从 Lasagne 转到 TensorFlow 之后，我喜欢 tf.layers 和 tf.contrib.layers 中更高层次的功能；它们为接受张量（tensor）并返回张量的功能性 API，因此更容易与「原始」的 TensorFlow 集成。我们可以做普通的张量操作，而不用写一个层那么麻烦。

• 在我们使用的模型上，TensorFlow 的速度稍稍快于 Theano（20％-30％）。当第一次使用时，我们看到大致相同的性能，并认为这可以接受，但然后我们阅读 TensorFlow 的性能指南（https://www.tensorflow.org/performance/performance_guide），并切换到 NCHW 并融入批处理规范（batch norm），然后一切运行得更快了。我猜 Theano 本身就不是很快……

• 关于开发人员的反馈速度：我曾在 TF 的问题区提出了一些微不足道的问题，但 TF 开发人员通常在一两天内就回复我了。

• 此外，工具是相当好的。TensorBoard 绝对好用，用来表示的时间线（timeline）/跟踪（trace）的工具也一样好用。但是我还没有尝试新加入的 tfdbg。

• TensorFlow 在设计时就考虑到了分布式，所以如果你需要运行真正的大规模项目，TensorFlow 多半是最好的。

缺点：

• TensorFlow 的 API 非常荒谬，它在每个阶段都会重新发明轮子，并且要求开发者学习很多本不必要的新概念。然而，开发者峰会表示这一境况正在改善——而且同时使用 TensorFlow Servin 和 Cloud ML 会提高你的生产力。

• 在实践中部署到 iOS 非常困难。

• 我并没有在 Keras 或者 Tensorflow 上工作，但是我看过他们的「问题」日志和一些用户组，只是因为大量的用户，这些框架看起来并不会得到这种个人的关注。

PyTorch

优势：

• 它属于轻量级；

• 它目前位于 Python 中；

• 它使你能够明确地控制计算。没有编译器能自己妄图变聪明来「帮助你」，或是将你的代码加速；事实上大多编译器在调试中会产生大量麻烦；

• 它使 GPU 内核调用之上仅有少量（可解释的）抽象层，而这恰恰是高性能的保证；

• 也许这是个人偏好，但我得到了与抽象有关的特定 OCD。每当我要做艰巨的工作时都会很紧张，因为一旦我的未来被泄漏，我便能感觉到它那些无法摆脱且难以忍受的痛苦。相对简单的事情理应在引擎盖之下发生的大多数情况下，这种感觉尤为强烈；

• 调试更容易，因为特定代码中会是特定行（而不是在距离使用大型或生成的 Graph 对象的 sess.run（）很远的地方）失败。你的堆栈跟踪不会填满三个屏幕来让你玩「找找错误在哪里！」的竖版卷轴游戏；

• 不存在编译时间。我无法理解 Theano 用户是如何处理的，他们一定更有耐心；

• 你可以直接操作渐变，显然，做一些事情时可以更容易，也更自然（如在反向传播过程中的渐变剪辑，或各种「破碎的反向传播」的有关想法，就像最近的 Shake Shake reg 命令一样；的确，我认为你可以用 stop_gradient 破解一个解决方案）；

• 它对动态图的支持从一开始就是自上而下的设计原则，而非随之而至的事后想法。并且我们会看到更多的动态图表，如做成一大块 NLP，或是神经模块网 ；

• 它没有缩进或膨胀你的代码的显式会话对象；

• 它获得的抽象是正确的：raw numpy - > Tensors（但 GPU 上的 raw numpy 可能对深度学习一无所知！）- >变量（它们了解深度学习），并且 Modules 或 Optim 等等会稍有益处。

• 动态计算使很多事情更加容易，如 seq2seq + attention 的神经翻译很难通过 keras + tf 来实现，但使用 PyTorch 便会很容易；

• 更容易调试，因为你可以只使用标准的 PyThon 工具；

• PyTorch 让自定义的实现更加容易，所以你得以将更多时间专注于算法中，这样往往能够改进主要性能；

• 使 Multi-gpu 简单易懂；

• Torch-vision 使加载和变换图像变得容易。

• PyTorch 提供了一个强化功能。增强功能基本上不会在实现中产生过多资源消耗，能有一些内置函数来调用 RL 的感觉真棒。

• 我遇到的错误或问题得到PyTorch 团队及时的反映，通常会在当天修复，或者得到解决方法或得到问题跟踪。

• PyTorch 是可以立即使用的，在我当前的项目的单 GPU 的训练时间比 theano+lasagne 快 100%。我测试过，100% 逐字地在 CIFAR100 上从（在最简单的情况下）5 分/历元到 2.5 分/历元，并且在某些情况下降到 2 分钟/历元（即，快两倍）

缺点：

• PyTorch 的 API感觉有些粗糙，但对它有一些限定词。如果你只是做一些标准的任务（实现 ResNet 或者 VGG）我认为你不会有问题，但我一直都有一些分歧因为我所做的一切都有些奇怪。