[譯] 哪個深度學習框架增加最迅猛？TensorFlow 仍是 PyTorch？

• 原文地址：Which Deep Learning Framework is Growing Fastest?
• 原文做者：Jeff Hale
• 譯文出自：掘金翻譯計劃
• 本文永久連接：github.com/xitu/gold-m…
• 譯者：ccJia
• 校對者：luochen1992, zhmhhu

在 2018 年的 9 月，我在一篇文章中，從需求量，工程使用量以及流行程度等方面對比了全部的主流深度學習框架。TensorFlow 處於絕對的王者地位，而 Pytorch 則是一位躍躍欲試的年輕挑戰者。

半年過去了，這種形勢是否有所改變呢？

爲了回答這個問題，我從在線招聘網站（如：Indeed、Monster、LinkedIn 和 SimplyHired) 的職位需求、谷歌的搜索量、GitHub 活躍度、媒體的文章數、ArXiv 的文章數以及Quora 的粉絲數等幾個方面的數據變化去作評估。最終，以這些數據爲依據，繪製了需求量，使用率和流行程度的增加圖便於讀者理解。

集成和更新

咱們發現，TensorFlow 和 PyTorch 都有一些重要的版本發佈。

PyTorch 1.0 版本在 2018 年 10 月預先發布，同一時間 fastai 1.0 版本也進行了發佈。這兩個版本的發佈是深度學習框架走向成熟的重要里程碑。

2019 年 4 月，TensorFlow 2.0 alpha 版也進行了發佈。在新增了許多新特性的同時，改進了用戶的體驗。而且更加緊密地集成了 Keras 做爲它的高級 API。

方法

在本文中，因爲 Keras 和 fastai 與 TesnsorFlow 和 PyTorch 的依存關係，它們也能夠做爲一個尺度來評估 TensorFlow 和 PyTorch，因此咱們將它們也囊括到了對比之中。

至於其餘的深度學習框架，我將不予討論。不少讀者確定會以爲像 Caffe、Theano、MXNET、CNTK、DeepLearning4J 和 Chainer 這些框架是頗有價值的。然而它們雖然有諸多的優勢，但確實沒法與 TensorFlow 和 Pytorch 相提並論，同時又和這兩個框架沒有什麼交集。

咱們的分析工做是在 2019 年 3 月 20 號到 21 號間執行的，數據源在 谷歌的表格中。

我使用 plotly 做爲可視化庫，更多的細節能夠參考個人 Kaggle Kernel。

好，如今咱們就來看看各個分類的結果如何。

在線職位需求的變化

我經過搜索幾個主要的在線招聘網站，如，Indeed、LinkedIn、Monster 和 SimplyHired 的相關數據來判斷哪個框架是目前需求量最大的。

我使用的搜索關鍵字是這樣的，machine learning ，後面跟隨對應的庫名。舉個例子，評估 TensorFlow 咱們使用的關鍵字就是 machine learning TensorFlow 。因爲歷史的比較緣由，使用了這種關鍵字進行搜索。若是不加 machine learning 結果也不會有明顯的不一樣。咱們的搜索範圍設定的是美國。

我用2019年3月的數據減去6個月以前的數據，有以下的發現：

在職位列表中，TensorFlow 的增加略微高於 PyTorch。Keras 也有增加，大體是 TensorFlow 的一半。Fastai 仍然是沒有什麼需求量。

值得注意的是除了 LinkedIn 之外，在其餘的求職網站上 PyTorch 相較於 TensorFlow 都有明顯的增加。可是在絕對的數量上，TensorFlow 的職位數量接近PyTorch 或者 Keras 的 3 倍。

谷歌平均搜索活躍度的變化

在最大搜索引擎上的搜索次數能夠做爲衡量流行程度的一個指標。我在 Google Trends 上搜集了過去一年全世界範圍內關於 Machine Learning and Artificial Intelligence 分類的搜索。不幸的是谷歌不提供絕對的數值，只能得到一組相對值。

我獲得了過去 6 個月興趣分數的均值並與半年之前的興趣均值作比較。

在過去 6 個月中，TensorFlow 的相關搜索量在降低，而 PyTorch 的相關搜索量在上升。

下面的圖表直觀的反映了過去 1 年人們的興趣趨勢。

媒體新增文章

新媒體是數據科學文章和教程的主要傳播場所，我但願你會喜歡它。我利用 Medium.com 做爲篩選項在谷歌上進行搜索，在過去的 6 個月中，TensorFlow 和 Keras 的文章發表數基本類似，而 PyTorch 的要稍微少一些。

做爲高級 API 的 Keras 和 fastai 在新框架的實踐者中十分流行，有不少教程都是在向人們展現如何很好的使用這些新框架。

arXiv新增文章

arXiv 是當前大多數深度學習學術論文選擇發表的在線倉儲。我使用谷歌搜索了過去 6 個月新發表的新論文中提到的框架，結果是 TensorFlow 遙遙領先。

GitHub新增活躍度

Git 的近期活躍度是框架流行度的另外一個指標。下面的圖表展現了點贊、克隆、粉絲以及貢獻者的數量。

TensorFlow 在各個選項上都是領先的。儘管如此，PyTorch 在關注者和貢獻者方面已經十分接近 TensorFlow 了，同時 fastai 也出現了不少新的貢獻者。

毫無疑問，一些 Keras 的貢獻者還在努力的挖掘 TensorFlow 庫。同時值得注意的是，這兩個開源項目都是由谷歌的員工發起的。

Quora的新增粉絲數

我將以前遺漏的一個參考指標 —— Quora 新話題的粉絲數量也加入進來。

過去 6 個月中，絕大多數新增話題的粉絲都是圍繞着 TensorFlow，而 PyTorch 和 Keras 則遠遠落後。

一旦我有了全部的數據，我將把它們整理成一個新的指標。

增加分數的計算

下面是我如何建立增加分數的:

1. 將全部指標的分數縮放到 0 和 1 之間。

2. 彙總 在線職位 和 GitHub 活躍度 等子類。

3. 根據下面的百分比對各個分類加權。

4. 爲了方便理解，咱們再將全部得分乘以 100。

5. 將每一個框架的對應分類的得分進行累加，獲得最後的增加分數。

在線工做一項的權重佔據了總體的三分之一，緣由很簡單，直接的經濟利益纔是最實際的。這種劃分也是爲了更好的平衡各個選項。區別於個人另外一篇 2018 power score analysis ，我沒有包含 KDNuggets 的使用狀況調查（沒有新的數據）和出版物（過去 6 個月沒有太多的新書）。

結果

下面是表格的形式：

這裏是各個分類的得分：

這裏是最終的得分：

TensorFlow 是目前需求量最大且增加速度最快的框架，短期內，這個局面不會發生變化。PyTorch 的增加也十分迅猛，大量的職位需求就是它需求量和使用量增加的最好證實。固然，Keras在過去的6個月也有長足的進步。最後，fastai 的增加就不那麼的理想了，可是須要說明的是，它是這幾個框架中最年輕的一個。 因此，TensorFlow 和 PyTorch 都是十分值得學習的框架。

學習建議

若是你準備學習 TensorFlow ，那麼我建議你能夠先從 Keras 開始。Chollet 的 Deep Learning with Python 和 Dan Becker 的 DataCamp course on Keras 是兩本很好的入門教材。在 TensorFlow 2.0 中使用 Keras 做爲高級 API 只須要經過 tf.keras 就能夠調用。這裏有一個 Chollet 寫的 TensorFlow 2.0 快速入門 教程。

若是你準備學習 PyTorch，我建議能夠從 fast.ai 的 MOOC 文章 Practical Deep Learning for Coders, v3 開始。你能夠學習到深度學習的原理以及 fastai、PyTorch 的基礎。

那麼，TensorFlow 和 PyTorch 的將來是什麼呢？

將來的方向

我常聽人說，PyTorch 比 TensorFlow 更好用。這是由於 PyTorch 有更穩定的 API 而且更貼近 Python 的用法。同時還有原生的模型轉換工具 ONNX，能夠用來提升推理的速度。而且，Pytorch 共用了許多 numpy 的命令，能夠下降學習的門檻。

對於 TensorFlow 2.0 的全部改進都是針對於用戶體驗這點，谷歌的首席人工智能決策官 Cassie Kozyrkov 有以下的 解釋。TensorFlow 如今有更直觀的API,更合理的 Keras 集成，以及更直接的執行選項。這些改變以及 TensorFlow 的普遍使用，都將幫助它在將來幾年繼續流行。

此外，TensorFlow 最近公佈了一項使人激動的計劃：開發針對於 Swift的TensorFlow版本。Swift 最初是由蘋果公司構建的編程語言。相較於 Python，Swift 在執行和開發速度上有不少的優點。fast.ai 的聯合創始人 Jeremy Howard 發佈的 消息，fast.ai 將在部分的進階 MOOC 中使用 TensorFLow的Swift版本。這個語言可能在最近的一兩年不會完成，可是它必定會改進現存的深度學習框架。能夠看到，語言和框架之間的合做和交叉學習正在進行着。

量子計算 的進步也將影響深度學習框架。雖然可用的量子計算機還須要幾年才能出現，可是 Google、IBM、Microsoft 和其餘的公司已經在思考如何將量子計算和深度學習結合起來了。框架須要去慢慢適應這種新的技術。

結語

你已經看到了 TensorFLow 和 PyTorch 的增加。它們都有很好的高級 API：tf.keras 和 fastai，它們能夠下降初學者的學習門檻。你也已經看到了框架的新特性和將來方向。

若是須要使用文中的圖表，能夠到個人 Kaggle Kernel 中去獲取相關內容。

我但願你能夠從這個對比中獲取幫助。若是確實有幫助，就請你把它分享到你喜歡的社交頻道，這樣就可使更多的人獲益。

謝謝你們瀏覽！

若是發現譯文存在錯誤或其餘須要改進的地方，歡迎到 掘金翻譯計劃 對譯文進行修改並 PR，也可得到相應獎勵積分。文章開頭的 本文永久連接 即爲本文在 GitHub 上的 MarkDown 連接。

---

掘金翻譯計劃 是一個翻譯優質互聯網技術文章的社區，文章來源爲 掘金 上的英文分享文章。內容覆蓋 Android、iOS、前端、後端、區塊鏈、產品、設計、人工智能等領域，想要查看更多優質譯文請持續關注 掘金翻譯計劃、官方微博、知乎專欄。