PyTorch 和 TensorFlow 引领未来
在研究领域主导地位的 PyTorch
顶使用 PyTorch 与 Tensorflow/PyTorch 的论文比率——2019 年PyTorch 中实现了大多数研究
- 简单。它与 numpy 类似，非常具有 python 风格，并且可以轻松地与其他 Python 生态系统集成。
- 很棒的 API。与 TensorFlow 的 API 相比，大多数研究人员更喜欢 PyTorch 的 API。
- 性能。尽管事实上 PyTorch 的动态图提供的优化机会很少，不过，据传闻 PyTorch 的速度甚至快于 TensorFlow。目前尚不清楚这是否为实，但至少 TensorFlow 在这一领域还没有取得决定性优势。
PyTorch 和 TensorFlow 在生产上的比较
尽管 PyTorch 现在在研究中占据重要地位，但 TensorFlow 仍然是行业内部的主导框架
TensorFlow 在生产方面更胜 PyTorch 一筹
研究人员在自己的计算机或专用于运行研究工作的服务器集群上进行实验。行业则有很多限制和要求：
- No Python。一些公司会运行服务器，这些服务器的 Python 运行时开销太大。
- 移动。无法在移动二进制文件中嵌入 Python 解释器。
- 服务。要求功能全面，例如无停机更新模型、在模型之间无缝切换、在预测时进行批处理等