争论不休的TF 2.0与PyTorch，到底现在战局如何了？
作者 | Jeff Hale
译者 | Jackey
编辑 | Jane
出品 | AI科技大本营（id：rgznai100）
【导语】 TensorFlow 2.0 和 PyTorch 1.0 陆续发布后，关于它们二者到底谁更胜一筹的讨论一直未停，也一直没有一个结果。到底目前谁更受青睐，本文中，作者围绕 TensorFlow 2.0 和 PyTorch 1.0，搜集多方来源的数据为大家进行深入分析，除此之外，还谈到一些学习建议，未来深度学习框架还有哪些方向值得大家关注等话题。
TF 2.0 vs PyTorch 焦灼之战
2018 年 9 月，作者曾写过一篇文章，从需求量、使用量、热门度等角度对比分析了主流深度学习框架。TensorFlow 毫无争议地成为重量级深度学习框架的冠军，PyTorch 即是赛场新秀，也是后起之秀。那么，在过去的六个月的时间里，深度学习框架的赛场又有什么新进展？
为此，我查询了 Indeed、Monster、LinkedIn 和 SimplyHired 几家招聘网站的职位信息，还考量了谷歌搜索的结果、GitHub的表现、Medium 和ArXiv 的新增文章数，Quora 上关于深度学习框架主题的关注者数量，这些信息勾勒出了深度学习框架在需求、使用和热度增长方面的大体概况。
集成与更新
最近，TensorFlow 和 PyTorch 框架都有一些重要的进展。PyTorch 1.0 版于 2018 年 10 月预发布，同时 fastai v1.0 版也已发布，都标志着这些框架在走向成熟。TensorFlow 2.0 Alpha 版于 2019 年 3 月 4 日发布，增加了新功能还改进了用户体验，更紧密地与 Keras 结合，集成为高级API，同时也会有更多功能。
对比分析方法
这次，我将 Keras 和 fastai 也纳入评估分析范围，因为它们与 TensorFlow 和 PyTorch 有着紧密的关系，而它们的发展与受欢迎数据也可以作为评估 TensorFlow 和 PyTorch 的一个衡量尺度。
但是这次不会再探讨其他深度学习框架，如 Caffe、 Theano、 MXNET、 CNTK、 DeepLearning4J 还有 Chainer 等，这些框架有其各自的优点，但它们与 TensorFlow 或 PyTorch 的发展方向是不同的，而且也没有与其他框架紧密结合。
搜集查询这些数据的时间是 2019 年 3 月 20日至 21 日，并且把数据可视化展现出来，想要源数据和参考交互图表的小伙伴们可以访问下面两个地址：
https://docs.google.com/spreadsheets/d/1Q9rQkfi8ubKM8aX33In0Ki6ldUCfJhGqiH9ir6boexw/edit?usp=sharing
https://www.kaggle.com/discdiver/2019-deep-learning-framework-growth-scores
接下来，我们就一起来看看更具体的对比分析结果。
一、招聘网站：职位需求变化
为了解现在的招聘需求中看重哪些深度学习框架，我在 Indeed、LinkedIn、Monster 和SimplyHired 上搜索了相关职位。
用“机器学习”+“库名”这两个关键词进行搜索。比如我要搜索哪些岗位需要 TensorFlow，就输入“ machine learning TensorFlow”，这样做也是个人习惯使然。不加上机器学习这个关键词进行搜索也可以，并不会产生明显不同的结果。（搜索区域为美国）。
排除 2019 年 3 月前的职位信息，以限定数据时间范围为这半年内，整理后发现:
对掌握 TensorFlow 的职位比 PyTorch 略高。Keras的职位需求大约是 TensorFlow 的一半。目前没有什么招聘需求中对 fastai 有明确的要求。值得注意的是，除了 LinkedIn，其他求职网站上需要掌握 PyTorch 的职位要比 TensorFlow 多。
二、Google Trends：分析谷歌搜索数据
谷歌作为最大的搜索引擎，其网页搜索结果可以作为衡量深度学习框架受欢迎程度的标准之一。分析 Google Trends 看了过去一年来各个框架的检索历史，搜索全球范围内，用户对于机器学习和人工智能类别的搜索热度。谷歌不提供绝对的搜索数字，但提供了大概数字，可以进行参考。
通过计算过去六个月，用户对各个框架搜索热度的平均分数，并将其与在此之前的六个月的平均分数进行对比，TensorFlow 的搜索量相对下降，PyTorch 的搜索量则有所提升。下图反映了过去一年中，用户使用谷歌搜索各个框架的热度。
（蓝色：TensorFlow；黄色：Keras；红色：PyTorch；绿色：fastai）
三、博客网站：新文章发表情况
Medium 是数据科学文章和教程的重要发布渠道之一，很多人会在上面分享自己的博文。
同样在过去六个月中，Medium 上关于TensorFlow 和 Keras 发表的文章数量十分接近，而 PyTorch 则相对较少。 作为高级 API，Keras 和 fastai 也受到了很多深度学习开发者的欢迎，在 Medium 上也有很多教学文章。
四、arXiv：新论文中的使用情况
arXiv 想必大家都非常熟悉了，大多数人都会把自己的研究论文挂在上面。查找半年来 arXiv 上更新的论文中使用 TensorFlow 和 PyTorch 的数量发现，研究中使用 TensorFlow 的数量还是明显多于 PyTorch 的。
五、GitHub：四个数据
GitHub 的数据也可以作为评价框架受欢迎程度的一个指标，下面的四个图是分别对 Github 上不同深度学习框架 Stars、Forks、Watches 和 Contributors 的统计结果。无论是哪个数据，TensorFlow 都是 Top 1，不过 PyTorch 的 Watchers 数和 Contributors 数与 TensorFlow 非常接近，并没有很大的差距，与此同时 FastAI 的 Contributors 数量值得关注，其远高于 Keras，接近PyTorch。Keras 和 TensorFlow 本都是 Google 主导开发的，一些 Keras 的贡献者也在 TensorFlow 中参与开发，因此，Keras 的数据也会受此影响。
六、Quora：关注数量
在这次的对比分析中，新增加了一个新参考指标：Quora 上各框架的关注人数。这个指标以前没有参考过。过去六个月，TensorFlow 的关注者最多，PyTorch 和 Keras的关注者还远不及TensorFlow。
搜集完这些数据后，我把所有的信息整合到一个统一的评测量度中，下面就为大家介绍增长分数的计算。
增长分数计算
以下是计算增长分数的步骤：
1、将所有的信息转化成从 0到1 区间的数值。
2、聚合在线职位信息和 GitHub 活动的各个分项。
3、根据下图，对各类别进行加权计算。
4、将加权得分换算成百分制
5、将所有的得分求和，得出每个框架的增长得分。
在上面的 6 个类别中，职位信息数据占总比的 35%，其他五类权重相等。（金钱的推动力还是很现实的）。这样的划分似乎可以很好地平衡了各个分类的权重。与之前 2018 年加权分数分析不同，我没有考量 KDNuggets 的调查（没有更新数据）与新书出版情况（近六个月没有很多新书出版）。
对比结果
下表显示了各个框架的细分项得分：
查看谷歌表格可访问下面网址
https://docs.google.com/spreadsheets/d/1Q9rQkfi8ubKM8aX33In0Ki6ldUCfJhGqiH9ir6boexw/edit?usp=sharing
以下是各个类别和最终得分：
下图展现了各个框架的成长得分：
TensorFlow 还是需求量最大，增长最快的深度学习框架，其地位暂时不可取代。PyTorch 的增长同样迅速，职位需求的大幅增加也印证了其使用量和需求量的增长。Keras 在过去六个月中有所提升。最后，FastAI 本身基数较低，但也有增长。毕竟它还是这些框架中最新的那个。
无论是 TensorFlow 还是 PyTorch 都是值得学习的好框架。
学习建议
如果你要学习 TensorFlow，我建议你从 Keras 学起。首推 Chollet 的 Deep Learning with Python 和 Dan Becker 的 DataCamp course on Keras。TensorFlow 2.0 版本中集成了tf.keras，因此，现在在 TensorFlow 框架中就可以调用 Keras 了。如果你要学习 PyTorch，我建议你从 fastai 学起。可以学习慕课课程 Practical Deep Learning for Coders, v3，从深度学习基础，到 fastai 与 PyTorch 基础贯穿学习。
关于 TensorFlow 和 PyTorch，我们还能学习什么？
未来的方向
经常听开发者们说道，相比 TensorFlow，更喜欢用 PyTorch，因为 PyTorch 更适用于 python，其 API 也更稳定。它还有一个原生的 ONNX 模型接口，可以加速训练预测。此外，PyTorch 还有很多和 Numpy 一致的命令，这也降低了学习的难度。
然而，谷歌首席决策情报工程师凯西·科济尔科夫认为，TensorFlow 2.0版本专注于提升用户体验。更好用的接口、集成了 Keras，并增加了一个执行选项。这些改变，再加上 TensorFlow 的包容性，会让 TensorFlow 在接下来的时间里继续保持流行与热度。
TensorFlow 最近还宣布了一个令人激动的计划：开发一个 Swift for TensorFlow。Swift 是一种由苹果公司开发的编程语言，比 Python 的执行效率和开发速度都要快。慕课上 Fast.ai 的课程也会结合一些 Swift for TensorFlow，虽然这个语言距离成熟还需要时间，但是它对于深度学习框架而言，是一个重要的进展。语言和框架间的集成与借鉴也是一定会发生的。
另一个影响深度学习框架的因素是量子计算。距离量子计算机的有效利用还需要数年的时间，不过 Google、IBM、微软和其他一些公司已经开始思考如何集成量子计算和深度学习。届时，为使用新的技术，这些框架将会面临相应的调整。
TensorFlow 和 PyTorch 框架都在进步，它们都具备高级 API 接口（tf.keras和 fastai），降低深度学习的学习门槛。
原文链接：
https://towardsdatascience.com/which-deep-learning-framework-is-growing-fastest-3f77f14aa318
（本文为 AI大本营编译文章，转载请微信联系 1092722531）
关于 TF、PyTorch 或其他深度学习框架，你有哪些使用感受与经验，希望爱技术、爱分享的小伙伴们愿意与大家分享，可与我们联系，精彩原创内容还有稿费或纪念品哦!
