TensorFlow與PyTorch之爭,哪個框架最適合深度學習

2020-12-16 機器之心Pro

選自builtin

作者：Vihar Kurama

機器之心編譯

參與：吳攀、杜偉

谷歌的 Tensorflow 與 Facebook 的 PyTorch 一直是頗受社區歡迎的兩種深度學習框架。那麼究竟哪種框架最適宜自己手邊的深度學習項目呢？本文作者從這兩種框架各自的功能效果、優缺點以及安裝、版本更新等諸多方面給出了自己的建議。

如果你在讀這篇文章，那麼你可能已經開始了自己的深度學習之旅。如果你對這一領域還不是很熟悉，那麼簡單來說，深度學習使用了「人工神經網絡」，這是一種類似大腦的特殊架構，這個領域的發展目標是開發出能解決真實世界問題的類人計算機。為了幫助開發這些架構，谷歌、Facebook 和 Uber 等科技巨頭已經為 Python 深度學習環境發布了多款框架，這讓人們可以更輕鬆地學習、構建和訓練不同類型的神經網絡。本文將詳細介紹和比較兩種流行的框架： TensorFlow 與 PyTorch。

目錄

谷歌的 TensorFlowFacebook 的 PyTorch我們可以用 TensorFlow 和 PyTorch 構建什麼？PyTorch 和 TensorFlow 對比PyTorch 和 TensorFlow 的優點和缺點PyTorch 和 TensorFlow 安裝、版本、更新TensorFlow 還是 PyTorch？我的建議

谷歌的 TensorFlow

TensorFlow 是谷歌的開發者創造的一款開源的深度學習框架，於 2015 年發布。官方研究發布於論文《TensorFlow：異構分布式系統上的大規模機器學習》。

論文地址：http://download.tensorflow.org/paper/whitepaper2015.pdf

TensorFlow 現已被公司、企業與創業公司廣泛用於自動化工作任務和開發新系統，其在分布式訓練支持、可擴展的生產和部署選項、多種設備（比如安卓）支持方面備受好評。

Facebook 的 PyTorch

PyTorch 是最新的深度學習框架之一，由 Facebook 的團隊開發，並於 2017 年在 GitHub 上開源。有關其開發的更多信息請參閱論文《PyTorch 中的自動微分》。

論文地址：https://openreview.net/pdf?id=BJJsrmfCZ

PyTorch 很簡潔、易於使用、支持動態計算圖而且內存使用很高效，因此越來越受歡迎。接下來還會更詳細地介紹。

我們可以用 TensorFlow 和 PyTorch 構建什麼？

神經網絡起初是被用於解決手寫數字識別或用相機識別汽車註冊車牌等簡單的分類問題。但隨著近來框架的發展以及英偉達高計算性能圖形處理單元（GPU）的進步，我們可以在 TB 級的數據上訓練神經網絡並求解遠遠更加複雜的問題。一個值得提及的成就是在 TensorFlow 和 PyTorch 中實現的卷積神經網絡在 ImageNet 上都達到了當前最佳的表現。訓練後的模型可以用在不同的應用中，比如目標檢測、圖像語義分割等等。

儘管神經網絡架構可以基於任何框架實現，但結果卻並不一樣。訓練過程有大量參數都與框架息息相關。舉個例子，如果你在 PyTorch 上訓練一個數據集，那麼你可以使用 GPU 來增強其訓練過程，因為它們運行在 CUDA（一種 C++ 後端）上。TensorFlow 也能使用 GPU，但它使用的是自己內置的 GPU 加速。因此，根據你所選框架的不同，訓練模型的時間也總是各不相同。

TensorFlow 頂級項目

Magenta：一個探索將機器學習用作創造過程的工具的開源研究項目：https://magenta.tensorflow.org/

Sonnet：這是一個基於 TensorFlow 的軟體庫，可用於構建複雜的神經網絡：https://sonnet.dev/

Ludwig：這是一個無需寫代碼就能訓練和測試深度學習模型的工具箱：https://uber.github.io/ludwig/

PyTorch 頂級項目

CheXNet：使用深度學習來分析胸部 X 光照片，能實現放射科醫生水平的肺炎監測：https://stanfordmlgroup.github.io/projects/chexnet/

PYRO：這是一種用 Python 編寫的通用概率程式語言（PPL），後端由 PyTorch 支持：https://pyro.ai (https://pyro.ai/)

Horizon：一個用於應用強化學習（Applied RL）的平臺：https://horizonrl.com (https://horizonrl.com/)

這些只是基於 TensorFlow 和 PyTorch 構建的少量框架和項目。你能在 TensorFlow 和 PyTorch 的 GitHub 和官網上找到更多。

PyTorch 和 TensorFlow 對比

PyTorch 和 TensorFlow 的關鍵差異是它們執行代碼的方式。這兩個框架都基於基礎數據類型張量（tensor）而工作。你可以將張量看作是下圖所示的多維數組。

機制：動態圖定義與靜態圖定義

TensorFlow 框架由兩個核心構建模塊組成：

一個用於定義計算圖以及在各種不同硬體上執行這些圖的運行時間的軟體庫。一個具有許多優點的計算圖（後面很快就會介紹這些優點）。

計算圖是一種將計算描述成有向圖的抽象方式。圖是一種由節點（頂點）和邊構成的數據結構，是由有向的邊成對連接的頂點的集合。

當你在 TensorFlow 中運行代碼時，計算圖是以靜態方式定義的。與外部世界的所有通信都是通過 tf.Sessionobject 和 tf.Placeholder 執行，它們是在運行時會被外部數據替換的張量。例如，看看以下代碼段：

下圖是 TensorFlow 中運行代碼之前以靜態方式生成計算圖的方式。計算圖的核心優勢是能實現並行化或依賴驅動式調度（dependency driving scheduling），這能讓訓練速度更快，更有效率。

類似於 TensorFlow，PyTorch 也有兩個核心模塊：

計算圖的按需和動態構建Autograd：執行動態圖的自動微分可以在下圖中看到，圖會隨著執行過程而改變和執行節點，沒有特殊的會話接口或佔位符。整體而言，這個框架與 Python 語言的整合更緊密，大多數時候感覺更本地化。因此，PyTorch 是更 Python 化的框架，而 TensorFlow 則感覺完全是一種新語言。

根據你所用的框架，在軟體領域有很大的不同。TensorFlow 提供了使用 TensorFlow Fold 庫實現動態圖的方式，而 PyTorch 的動態圖是內置的。

分布式訓練

PyTorch 和 TensorFlow 的一個主要差異特點是數據並行化。PyTorch 優化性能的方式是利用 Python 對異步執行的本地支持。而用 TensorFlow 時，你必須手動編寫代碼，並微調要在特定設備上運行的每個操作，以實現分布式訓練。但是，你可以將 PyTorch 中的所有功能都復現到 TensorFlow 中，但這需要做很多工作。下面的代碼片段展示了用 PyTorch 為模型實現分布式訓練的簡單示例：

可視化

在訓練過程的可視化方面，TensorFlow 更有優勢。可視化能幫助開發者跟蹤訓練過程以及實現更方便的調試。TensorFlow 的可視化庫名為 TensorBoard。PyTorch 開發者則使用 Visdom，但是 Visdom 提供的功能很簡單且有限，所以 TensorBoard 在訓練過程可視化方面更好。

TensorBoard 的特性：

跟蹤和可視化損失和準確度等指標可視化計算圖（操作和層）查看權重、偏差或其它張量隨時間變化的直方圖展示圖像、文本和音頻數據分析 TensorFlow 程序

在 TensorBoard 中可視化訓練

Visdom 的特性

處理回調繪製圖表和細節管理環境

在 Visdom 中可視化訓練

生產部署

在將訓練好的模型部署到生產方面，TensorFlow 顯然是贏家。我們可以直接使用 TensorFlow serving 在 TensorFlow 中部署模型，這是一種使用了 REST Client API 的框架。

使用 PyTorch 時，在最新的 1.0 穩定版中，生產部署要容易一些，但它沒有提供任何用於在網絡上直接部署模型的框架。你必須使用 Flask 或 Django 作為後端伺服器。所以，如果要考慮性能，TensorFlow serving 可能是更好的選擇。

用 PyTorch 和 TensorFlow 定義一個簡單的神經網絡

我們比較一下如何在 PyTorch 和 TensorFlow 中聲明神經網絡。

在 PyTorch 中，神經網絡是一個類，我們可以使用 torch.nn 軟體包導入構建架構所必需的層。所有的層都首先在 __init__() 方法中聲明，然後在 forward() 方法中定義輸入 x 在網絡所有層中的遍歷方式。最後，我們聲明一個變量模型並將其分配給定義的架構（model = NeuralNet()）。

近期 Keras 被合併到了 TensorFlow 庫中，這是一個使用 TensorFlow 作為後端的神經網絡框架。從那時起，在 TensorFlow 中聲明層的句法就與 Keras 的句法類似了。首先，我們聲明變量並將其分配給我們將要聲明的架構類型，這裡的例子是一個 Sequential() 架構。

接下來，我們使用 model.add() 方法以序列方式直接添加層。層的類型可以從 tf.layers 導入，如下代碼片段所示：

TensorFlow 和 PyTorch 的優缺點

TensorFlow和PyTorch各有其優缺點。

TensorFlow 的優點：

簡單的內置高級 API使用 TensorBoard 可視化訓練通過 TensorFlow serving 容易實現生產部署很容易的移動平臺支持開源良好的文檔和社區支持TensorFlow 的缺點：

靜態圖調試方法難以快速修改PyTorch 的優點

類 Python 的代碼動態圖輕鬆快速的編輯良好的文檔和社區支持開源很多項目都使用 PyTorchPyTorch 的缺點：

可視化需要第三方生產部署需要 API 伺服器

PyTorch 和 TensorFlow 安裝、版本、更新

PyTorch 和 TensorFlow 近期都發布了新版本：PyTorch 1.0（首個穩定版）和 TensorFlow 2.0（beta 測試版）。這兩個版本都有重大的更新和新功能，讓訓練過程更高效、流暢和強大。

如果你要在自己的機器上安裝這些框架的最新版，你可以用原始碼 build 或通過 pip 安裝。

PyTorch 安裝

macOS 和 Linux

pip3 install torch torchvision

Windows

pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-win_amd64.whlpip3 install https://download.pytorch.org/whl/cu90/torchvision-0.3.0-cp36-cp36m-win_amd64.whl

TensorFlow 安裝

macOS、Linux 和 Windows

# Current stable release for CPU-onlypip install tensorflow# Install TensorFlow 2.0 Betapip install tensorflow==2.0.0-beta1要檢查安裝是否成功，可使用命令提示符或終端按以下步驟操作。

TensorFlow 還是 PyTorch？我的建議

TensorFlow 是一種非常強大和成熟的深度學習庫，具有很強的可視化功能和多個用於高級模型開發的選項。它有面向生產部署的選項，並且支持移動平臺。另一方面，PyTorch 框架還很年輕，擁有更強的社區動員，而且它對 Python 友好。

我的建議是如果你想更快速地開發和構建 AI 相關產品，TensorFlow 是很好的選擇。建議研究型開發者使用 PyTorch，因為它支持快速和動態的訓練。

原文連結：https://builtin.com/data-science/pytorch-vs-tensorflow

相關焦點

  • 寫給純小白的深度學習環境搭建寶典:pytorch+tensorflow
    每天給小編五分鐘，小編用自己的代碼，讓你輕鬆學習人工智慧。本文將手把手帶你快速搭建你自己的深度學習環境，然後實現自己的第一個深度學習程序。野蠻智能，小白也能看懂的人工智慧。小編強烈建議為pytorch建立一個虛擬環境，這樣做的好處是方便我們同時使用多個深度學習框架，每個框架就對應一個虛擬環境，框架之間可以互不幹擾。具體步驟：Windows用戶搜索打開Anaconda Prompt，然後輸入：source create -n pytorch python=3.5，pytorch是這個虛擬環境的名字，你也可以給它起個別的名字，Python的版本我們也可以指定為3.6。
  • PyTorch稱霸頂會:CVPR論文佔比是TensorFlow 4 倍
    機器之心報導參與：杜偉在開源框架領域，PyTorch 與 TensorFlow 之爭一直存在，研究人員在寫論文時也會有不同的偏向。自 2009 年深度學習再度成為焦點以來，很多機器學習框架成為研究者和業界開發者的新寵。從早期的學術框架 Caffe、Theano 到如今 Pytorch、TensorFlow 這樣越來越大規模的開發框架。
  • 從零開始搭建深度學習伺服器:TensorFlow + PyTorch + Torch
    本教程轉載於深度學習中文社區(studydl.com).在深度學習大行其道的今天,我們不應該停留於觀望的階段,我們應該多多上手進行實踐,下面將為大家介紹一下最簡單也是最基礎的內容,配置一個自己的深度學習伺服器.1.
  • 初學AI神經網絡應該選擇Keras或是Pytorch框架?
    Powerful，是深度學習入門的絕佳技術路線舉個tensorflow1.0的例子（偽代碼）定義Variable、constant、placeholder等。 初始化global_variables_initializersession回話狀態。
  • 一行代碼切換TensorFlow與PyTorch,模型訓練也能用倆框架
    機器之心報導參與：思源你是否有時要用 PyTorch，有時又要跑 TensorFlow？這個項目就是你需要的，你可以在訓練中同時使用兩個框架，並端到端地轉換模型。也就是說 TensorFlow 寫的計算圖可以作為某個函數，直接應用到 Torch 的張量上，這操作也是很厲害了。
  • TensorFlow vs PyTorch:哪個是深度學習網絡編程的最佳框架呢?
    哪種框架最適合神經網絡編程呢?是TensorFlow還是PyTorch ?首先讓我們構建一個神經網絡模型，該模型分別使用PyTorch和Keras（TensorFlow）對手寫數字進行分類。import tensorflow as tf而對於PyTorch來說，需要的兩個庫為：import torchimport torchvisionb）加載和預處理數據使用TensorFlow加載和準備數據可以通過以下兩行代碼完成：在PyTorch中是這樣的：我們可以使用matplotlib.pyplot庫驗證這兩段代碼是否已經正確加載了相同數據
  • TensorFlow發布JavaScript開發者的機器學習框架TensorFlow.js
    去年的 TensorFlow 開發者大會上，該框架正式升級到了 1.0 版本，逐漸成為最流行的深度學習框架。今年，TensorFlow 發布了面向 JavaScript 開發者的全新機器學習框架 TensorFlow.js。
  • 深度| 對比深度學習十大框架:TensorFlow最流行但並不是最好
    選自Medium機器之心編譯參與：吳攀、朱思穎、李亞洲2016 年已經過去，BEEVA Labs 數據分析師 Ricardo Guerrero Gomez-Ol 近日在 Medium 上發表了一篇文章，盤點了目前最流行的深度學習框架。為什麼要做這一個盤點呢？他寫道：「我常聽到人們談論深度學習——我該從哪裡開始呢？TensorFlow 是現在最流行的吧？
  • 對比深度學習十大框架:TensorFlow 並非最好?
    他寫道：「我常聽到人們談論深度學習——我該從哪裡開始呢？TensorFlow 是現在最流行的吧？我聽說 Caffe 很常用，但會不會太難了？在 BEEVA Labs，我們常常需要應對許多不同的深度學習庫，所以我希望能夠將我們的發現和感想分享出來，幫助那些剛剛進入深度學習這一美麗世界的人。」
  • 在Windows中安裝Tensorflow和Kears深度學習框架
    建立Tensorflow的Anaconda虛擬環境在一臺計算機中，我們常常需要安裝很多軟體，但是每個軟體所需要的Python的關聯模塊或版本不相同。例如，我們要使用Python開發開發網站系統，安裝的網站框架可能需要Python2.X的版本，但是安裝Tensorflow需要Python3.5的版本，此時就會發生版本不一致的問題。
  • 【我不再使用TensorFlow的5大原因】谷歌最受歡迎深度學習框架日漸...
    上線不到兩年便成為Github最受歡迎深度學習項目，谷歌開源深度學習框架TensorFlow，有人愛它，有人恨他，本文摘選了一些研究人員和開發者使用TF的感受——TensorFlow竟然這麼難用？歡迎留下評論，分享你的使用經驗。
  • 基於tensorflow框架對手寫字體MNIST數據集的識別
    本文我們利用python語言，通過tensorflow框架對手寫字體MNIST資料庫進行識別。學習每一門語言都有一個「Hello World」程序，而對數字手寫體資料庫MNIST的識別就是深度學習的「Hello World」代碼。下面我們給出詳細的步驟。tensorflow概述tensorflow是用C++語言實現的一個深度學習模塊。
  • 如何在PyTorch和TensorFlow中訓練圖像分類模型
    介紹圖像分類是計算機視覺的最重要應用之一。它的應用範圍包括從自動駕駛汽車中的物體分類到醫療行業中的血細胞識別，從製造業中的缺陷物品識別到建立可以對戴口罩與否的人進行分類的系統。在所有這些行業中，圖像分類都以一種或另一種方式使用。他們是如何做到的呢？他們使用哪個框架？
  • tensorflow
    為了提供最有效的方法，本研究對眾所周知的深度卷積神經網絡體系結構進行了實驗。經測試Inception-v4的準確率要優於其他同類模型。本研究的模型是經過精心優化的深度卷積神經網絡體系結構，用於對選定的可回收對象類別進行分類，其數據將通過STM32硬體端進行分析進而控制整個垃圾分類系統。
  • 「決戰紫禁之巔」之深度學習框架篇:Keras VS PyTorch
    一年前，機器之心就曾做過此方面的探討：《Keras vs PyTorch：誰是「第一」深度學習框架？》。現在PyTorch已經升級到1.x版本，而Keras也在進一步發展，情況發生了怎樣的變化呢？本文從四個方面對Keras和PyTorch各自的優劣勢做了進一步詳述，相信讀者會對如何選擇適合自己的框架有更清楚的認知。
  • 上線倆月,TensorFlow 2.0被吐槽太難用,網友:看看人家PyTorch
    我搜索『tensorflow 在訓練中改變損失函數』；3. 最高搜索結果是一個 Medium 的文章，我們去看看吧；4. 這個 Medium 文章介紹的是均方誤差（MSE）損失函數，以及你怎樣在 TensorFlow 中用它訓練一個深度神經網絡；5. 我只好用腦袋砸鍵盤了。不僅僅是教程文不對題的問題。
  • PyTorch為何如此高效好用?來探尋深度學習框架的內部架構
    作為 Facebook 人工智慧團隊（FAIR）提供支持的深度學習框架，PyTorch 自 2017 年 1 月推出以來立即成為了一種流行開發工具。其在調試、編譯等方面的優勢使其受到了學界研究者們的普遍歡迎。本文中，來自蒙特婁綜合理工學院的研究員 Christian S.
  • 重磅| Torch7團隊開源PyTorch:Python優先的深度學習框架
    選自PyTorch.org機器之心編譯參與：吳攀、李澤南、李亞洲Torch7 團隊開源了 PyTorch。據官網介紹，PyTorch 是一個 Python 優先的深度學習框架，能夠在強大的 GPU 加速基礎上實現張量和動態神經網絡。
  • 模型秒變API只需一行代碼,支持TensorFlow等框架
    選自GitHub機器之心編譯參與：一鳴、杜偉還在為機器學習模型打包成 API 發愁？這個工具能讓你一行代碼直接打包。專注於機器學習應用的人們知道，從訓練好的模型到實際的工業生產工具還有一定的距離。作者表示，該項目具有以下優點：自動定義：Cortex 可以自動定義需要負責生產工作的 API；多框架支持：Cortex 支持多種機器學習框架，包括 TensorFlow、PyTorch、scikit-learn、XGBoost 等；CPU/GPU 支持：Cortex 能夠在 CPU 或者 GPU 上進行推理工作；回滾式更新：Cortex 可以對部署的 API
  • 迎來PyTorch,告別 Theano,2017 深度學習框架發展大盤點
    深度學習是機器學習中一種基於對數據進行表徵學習的方法，作為當下最熱門的話題，谷歌、Facebook、微軟等巨頭紛紛圍繞深度學習做了一系列研究，一直在支持開源深度學習框架的建設。過去一年間，在這些巨頭的加持下，深度學習框架格局發生了極大改變：新框架橫空出世，舊的框架也逐漸退出歷史舞臺，而框架與框架之間的聯繫也更加緊密，生態更為開放。