PyTorch横扫顶会，TensorFlow退守业界：机器学习框架一年变天
TensorFlow 2.0正式发布没几天，PyTorch 1.3今天也上线了。
一个疯狂强调“易用性”，一个整出了移动端部署。老将和新秀都卯足了劲。
毕竟，机器学习框架的世界，局势变化过于迅猛，稍不注意就会被抢了地盘。
一年前，TensorFlow还是各大顶会论文选择的主流框架，如今顶会几乎成了PyTorch的天下。
CVPR 2019，只提到PyTorch的论文有280篇，只提到TensorFlow的论文有125篇，但这还不是悬殊最大的一场会议。
有网友 (@programmerChilli) 说，虽然知道大批研究者逃离TF拥抱PT：
但我绝对想不到涨幅能到这种地步。
那么，PyTorch的优势到底在哪里？
PyTorch一路凯歌，对TensorFlow经营多年的格局又有怎样的冲击。
这一次，一位来自康奈尔大学的少年Horace He，用一份详尽的调查报告，对现状进行了总结，也为潜在入门者提供了方向：
PyTorch制霸学界
报告开头就提到：目前的大背景是，大量研究人员从TensorFlow转投PyTorch。
但大家未必知道，这势头来得多猛烈。来看2018年与2019年的各大顶会对比吧：
表格列出了CVPR、NAACL、ACL、ICLR、ICML这五大顶会上，仅提到PyTorch/仅提到TensorFlow的论文数量。
2018年，PyTorch五项数据全部低于TensorFlow。
2019年，PyTorch五个数字全部超越TensorFlow。
PyTorch每项数据的增幅，都在192%到450%之间，涨势十分凶猛。
其中，以自然语言处理(NLP) 的顶会NAACL (450%) 和ACL (290%) 最为显著；在视觉顶会CVPR上也有大幅增长 (240%) 。
相比之下，TensorFlow有三项数据下滑。其中NAACL数据下降幅度达到了38.2%，而这里正是PyTorch飞跃式增长的地方。
此消彼长，PyTorch只用了一年，便把弱势变成了压倒性优势：
280:125 (CVPR) ，两倍有余。
66:21 (ACL) ，三倍有余。
103:33 (NAACL) ，三倍有余。
在语言和视觉顶会上，PyTorch的主导地位最明显。这跟上文提到的涨幅是吻合的。
如果还有人把PyTorch当做一个新秀，试图在TensorFlow主导的世界里，划出一片自己的地盘，那么数据告诉他们，已经不是这样了。
虽然，看上去TensorFlow还有两项数据在增长，但其实只有ICML的涨幅 (32.5%) ，还跟得上会议总录取论文数的增长。
也就是说，在另外四场会议上，TensorFlow已经开始衰退了。
为何研究人员爱PyTorch？
一是简单。它和NumPy比较像，风格很Python，能轻易和Python生态集成起来。
比如，你只要把一个pdb断点扔进PyTorch模型里，它直接就能用了。
相比之下，在TensorFlow模型里面debug的话，便会复杂得多了。
二是API好。比起TensorFlow的API，大多数研究人员更偏爱PyTorch的API。PyTorch设计得更科学；而TensorFlow要在各种API之间切换，令人操作不便：
‘layers’ -> ‘slim’ -> ‘estimators’ -> ‘tf.keras’
三是性能。虽然PyTorch的动态图 (Dynamic Graphs) 提供的优化空间比较小，但许多用户都反馈说PyTorch的速度不亚于TensorFlow，甚至比对方还快。
虽然，没有严格测试数据表明到底谁更快，但至少TensorFlow并没有明显的优势。
这样，再加上前两点，足够让许多研究人员拥抱PyTorch了。
TensorFlow在研究领域会怎样？
就算今后TensorFlow变得像PyTorch一样友好，PyTorch的地盘也已经很大了。
这就是说，PyTorch的代码实现更容易找到，人们也更有动力发表PyTorch的代码给大家用，跟别人合作的话队友也可能会倾向PyTorch。
所以，迁回TensorFlow 2.0这件事，大概率不会进展很快。
当然，谷歌和DeepMind内部研究还是会用TensorFlow。他们的研究成果，大概也给了一部分研究人员，继续用TensorFlow的信心。
不过Horace He听说，谷歌内部也有许多研究人员，渴望逃离TensorFlow了。
另一方面，PyTorch主导地位越来越强，谷歌研究人员可能和整个社区之间产生隔阂：他们很难在外部研究的基础上搭建自己的应用，外面的研究人员也很难借鉴谷歌的代码。
最后，TensorFlow 2.0能不能挽回一些研究人员，还需要时间来观察。Eager Execution一定是个吸引人的点，而Keras API就不一定了。
TensorFlow守住工业界
虽然在各个开发者社区，“PyTorch真香”论声势浩大，现在又在顶会数据上实力压倒TensorFlow，但其实，在工业界，TensorFlow仍具优势。
比如，根据Medium博主Jeff Hale的统计结果，2019年，TensorFlow在线上招聘启事中拥有1541个新增职位，而PyTorch有1437个。
从arXiv的论文数量来看，TensorFlow也仍然占据首位，只是领先优势在缩小。
一方面，TensorFlow的诞生早于PyTorch，工业界对新鲜事物的追逐，不像学术界那样热切，使用TensorFlow已成行业惯性。
并且，许多企业的代码都是基于TensorFlow搭建的，想要迁移到PyTorch上，并非易事。
另一方面，相比于PyTorch，TensorFlow本身就是为工业界量身打造的。
相比于研究实验，工业界会有更多的限制和要求，比如：
· 不用Python。Python在服务器上运行时开销太大，有些公司承受不来。
· 可移动性。移动二进制文件中没法嵌入Python解释器。
· 服务。无停机更新，模型间无缝切换，可预测时间的批处理，等等等等。
TensorFlow在这些方面显然比PyTorch做得好得多。比如，训练好模型，然后使用TF Lite进行部署，是目前最可靠的生产管道之一。
有网友举了个例子：
TensorFlow能够将模型导出到coreml Android模型中，也能很容易地将其转移到GCP（谷歌云端平台）环境等任何形式的生产环境中。
相比之下，PyTorch的部署有些让人头秃：模型无法导出到非Python环境，无法优化，无法在移动设备上运行（随着PyTorch 1.3的发布，无法在移动端部署的问题已经得到解决）。
况且，TensorFlow还有Keras这个好伙伴呢。
不过，也有网友认为，PyTorch在工业界取得主导地位，只是时间问题。
毕竟在2018年的顶会上，TensorFlow还是主流呢。仅仅一年时间，王座就已易主。
“融合”趋势
PyTorch势头猛烈，但TensorFlow也没有坐以待毙。
一个有趣的现象是，现在，这两个机器学习框架呈现出了“融合”的趋势。
十一假期，TensorFlow 2.0正式登场，进一步整合TensorFlow和Keras，增强易用性，官方表示，这是一个快速、可扩展、可投入生产的灵活而强大的平台。
Keras的作者François Chollet甚至说：“TensorFlow 2.0是一个来自未来的机器学习平台，它改变了一切。”
在默认的eager execution模式下，TensorFlow 2.0能提供PyTorch eager模式下的大部分有点，比如易用性、可调试性等。
并且，针对TensorFlow的API过于复杂这个问题，2.0版本也提供了更易用的API。模型的训练和serving都无缝集成在了基础框架中。
PyTorch这边，2018年底引入了JIT编译器和“TorchScript”，增加图形功能。
就在今天，PyTorch 1.3发布，新增移动端部署、量化和命名张量等功能。
机器学习框架未来的游戏规则会如何改变，还真令人期待呢。
FB谷歌双料实习生
最后，介绍下这份详细报告的作者：
Horace He，来自康奈尔大学，是2016年入学的本科生。
自从上了大学，他每个暑假都在大厂实习：2017年是Facebook实习软件工程师，2018年是谷歌的实习软件工程师，2019年在Facebook做PyTorch实习生。
另外，少年还是VSCodeVim (标星6.2k) 的主要贡献者之一：