TensorFlow與PyTorch: 哪一種框架更適合深度學習模型?

因爲人工智能正在幾乎全部自動化領域獲得滲透。 深度學習是用於開發和最大化類人計算機效率的最棘手的架構之一。 爲了幫助產品開發人員，Google，Facebook和其餘大型科技公司已經發布了各類Python環境框架，能夠學習，構建和培訓多樣化的神經網絡。

 

谷歌的TensorFlow是深度學習的開源框架，多年來受到歡迎。 使用新框架，PyTorch因其易於編寫的代碼而受到初學者的關注。 PyTorch是基於Python，C ++和CUDA後端開發的，可用於Linux，macOS和Windows。

這兩個普遍使用的框架之間存在一些差別，多是由於它們實現代碼，可視化技術以及靜態和動態編程的方式。

 

咱們來看看差別：

部署代碼

初始化時，在PyTorch上分配和構建圖形遵循動態計算圖形方法。 熟悉Python中的數學庫的用戶會發現它很容易，由於人們沒必要爲了構建圖形而頭腦發熱。 您能夠按照本身的方式直接編寫輸入和輸出功能，而無需擔憂尺寸張量。 經過CUDA支持，這使生活變得更加容易。

在TensorFlow中，人們必須努力構建張量（圖形）的維度以及爲變量分配佔位符。 完成此操做後，必須運行會話才能計算出全部計算結果。 這樣的痛苦，不是嗎？

例如，tf.Session（）用於構建會話，tf.Variable（）用於將權重分配給變量，依此類推。 初始化後，能夠構建一個神經網絡，用於TensorFlow中的訓練。

文檔

PyTorch和TensorFlow的文檔普遍可用，考慮到二者都在開發中，而PyTorch是最近發佈的，與TensorFlow相比。 人們能夠在兩個框架上找到大量文檔，其中實現獲得了很好的描述。

這兩個框架都提供了大量的教程，這有助於人們專一於經過用例學習和實現它們。

設備適配

PyTorch和TensorFlow都有GPU擴展可用。這兩個框架之間的主要區別在於，當考慮GPU進行TensorFlow計算時，它會消耗全部可用GPU的整個內存。經過爲特定進程分配正確的GPU設備能夠避免這種狀況。 tf.device（）爲您提供選擇首選GPU的選項。因爲TensorFlow是一種靜態計算圖形方法，所以能夠輕鬆優化此框架上的代碼。

在PyTorch上，變量能夠與權重一塊兒分配並同時運行，其中框架構建計算所需的圖形。這方面的GPU使用已經經過CUDA安裝啓用，即便在嘗試在CPU上運行時，PyTorch也老是試圖找到要計算的GPU。所以，必須提供X.cpu（）擴展才能在CPU上運行它。

在TensorFlow tf.device（/ cpu：0）：參數用於在CPU上運行它。也能夠選擇使用tf.device（/ gpu：0）的GPU來選擇第一個GPU或tf.device（/ gpu：1）來選擇第二個GPU。

模型可視化

可視化是理解模型性能和工做的關鍵。 TensorFlow具備圖形和模型TensorBoard的實時表示功能，很是方便。 在這裏，人們不只可以得到神經網絡的圖形表示，還可以得到實時的損失和準確度圖，其描繪了模型在特定迭代中的精確度。

 

這是一個實時分析，與PyTorch相比，TensorFlow更擅長此項，而PyTorch徹底缺少此功能。 您還能夠可視化神經網絡的流程圖，包括音頻文件（若是您的數據中存在），這很是棒。

結論

在將來，PyTorch可能會像TensorBoard同樣添加可視化功能。 PyTorch因其動態的計算方法和簡單性而愈來愈受歡迎。 建議初學者在繼續使用TensorFlow以前在PyTorch上工做，這有助於他們專一於模型而不是花時間構建圖形。

鑑於TensorFlow目前這麼流行，想要學習和實踐的程序員們也能夠了解下谷歌最近的AI開源項目——AIY Projects。AIY 全稱是 Artificial Intelligence Yourself，顧名思義就是利用 AI 來進行的 DIY 功能套件。藉助 AIY 項目，創客能夠利用人工智能來實現更像人與人交流的人機交互。谷歌目前爲 AIY Projects 推出了兩款硬件產品--AIY Voice Kit 和 AIY Vision Kit。

 

Vision Kit 由Raspberry Pi和Intel movidius提供動力。它能夠運行具備低耗處理能力的深度學習算法。Raspberry Pi Zero WH 包括視覺處理單元芯片，能夠高效地運行Tensor Flow圖像處理。

並且谷歌爲此還發布了一個TensorFlow.js的工具，有了這項工具，即便不是機器視覺領域的專家，你們也能夠實現不少應用場景，好比在瀏覽器中訓練本身的寵物臉辨識系統，在自家的監視系統中使用等等。