PyTorch 對機器學習領域的影響正在不斷擴大，人們在使用中也在不斷將其和其他機器學習框架進行對比。最近，Marc Schmidt 在 Reddit 上撰文對 Keras 和 PyTorch 進行了全面的對比。作者認為，PyTorch 在版本管理和調試等方面具有很大優勢。

我可以根據自己作為軟件工程師的經驗(10 年以上)來給你一些答案。我也參與過很多開源項目，還是幾十個開源庫的作者，這些庫都有成千上萬的收藏量和數百萬的安裝量，因此我對于雙方(作者和用戶)在私人和商業領域的應用都相當了解。另外，很多人問我為什么使用的是 aetros.com Keras 而非 Pytorch/xy。

讓我們定義一些屬性來定義庫 X 的好壞：

1 星 - 低于平均水平，2 星 - 平均水平，3 星 - 高于平均水平

我來詳細解釋下這張表。

版本管理

當你使用庫(無論開源的還是商業的)并想繼續使用該庫來開發一個應用時，非常重要的一點是這其中不會有隱藏的變化，而且你的應用程序不會在你更新庫(以得到想要的功能或 bug 修復)時發生中斷。最壞的情況是，當你更新第三方庫時出現了一些 bug，你就得開始進行調試。這不僅會花費很多時間而且令人討厭。所以，重要的是你要知道庫更新前后的變化。***的情況是，庫使用了依據 semver(http://semver.org/)的語義版本控制，這確保了你在更新較小的補丁版本時不會發生中斷(至少是在嘗試，并不總能行，但這里的意圖是好的)。

至少，你標記的每個版本都需要一份更新日志，這樣你就能看到 bug(如有)是否已被修復或者一個新功能(如需要)是否已得到實現。我在過去兩年里用 Keras 的次數越來越多，并發現了很多被標記好的版本就簡單地被稱作「新流程發布(New PiPy release)」。可以想象，一個普通的開發者完全不會知道該標簽版本發生了哪些變化。這實際上是 Keras 在行業的專業使用方面尚未完備的其中一個原因，同時它對于優秀且使用廣泛的庫的質量標準也很高。用了 Keras 2 之后，該作者表明他所描述的版本開始變得越來越好了。然而相比于 Pytorch，它仍然給人感覺像是一個自娛自樂的業余項目。參見 https://github.com/fchollet/keras/releases 與 https://github.com/pytorch/pytorch/releases。在看到這樣一個詳細的 Pytorch 版本說明之后我幾乎(幸福地)要哭了。當你在一個專業的環境(對于行業來說，時間就是金錢)中處理它時，這將是你最喜歡的。

在版本管理上，我給 Keras 1 星，因為它的版本管理讓我惡心了好幾次;我給 Pytorch 3 顆星，因為你可以看到在它后面有一個團隊，他們投入了更多的精力來使用戶保持信息靈通。對于 Keras，編寫這種版本說明更像是一個令人討厭的流程。我也跟 PyTorch 的一位作者 Adam Paszke 聊了一下，他說他們很注重這個環節，這讓我有信心在自己的項目中使用它。

調試

好吧，這也是我喜歡 Pytorch 的一點。寫代碼意味著總是發現并修復 bug。你的(隱藏在庫和概念后面的)代碼越不可思議，理解 bug 并找出對應的錯誤代碼行與解決方案的過程就越令你感到痛苦。像 Theano 和 Tensorflow 那樣的靜態圖形庫在尋找問題——「不能將 xy 應用于一個非 2D 或 3D 的張量中」或「輸入 (233, 3, 44, 55) 與 (233, 3, 55, 44) shape 不相容」——根源方面表現得非常笨拙。你需要檢查你的模型并在大腦中計算張量的 shape，也許可以通過注釋掉一些層來找到原因。

有了像 Pytorch 一類的動態圖像，你就可以在堆棧跟蹤中看到哪一行代碼導致了錯誤。你甚至可以在調試器中停掉解釋器并看看某個層會產生什么。通過采用斷點并逐句檢查代碼，你發現上述 bug 的速度就可以提高 100 倍。在你遇到 bug 時，這幾乎就成為了純粹的享受，因為你已經知道「只要讓調試器高速運行就可以在一秒內解決這個小 bug」。這實際上令我回想起自己剛開始使用真正交互式的、帶斷點和運行時評估等功能的調試器的日子，那是一種全新的效率體驗。其中唯一的限制是你在代碼中所建立的抽象邏輯。如果你不能用調試器和 IDE 來調試它，那么你的代碼要么是太糟糕要么是過于抽象。

開發體驗

在這兩個庫中，你的深度神經網絡運行得都很快。Pytorch 還沒有如 Keras 那樣高層次的抽象(帶有回調函數)，而是在網絡之外訓練抽象等功能。所以你還是需要寫一些樣板文件。然而，這里(https://github.com/ncullen93/torchsample)Keras 提供的 API 基本上與 Pytorch 的相同。Pytorch 還很青澀，你會遇到一些 DX 方面的問題，比如「如何讓卷積層變平，使它與隱藏層兼容」(提示：僅僅「.add(Flatten())」是無法解決的，但我相信 Pytorch 開發者們正在想辦法解決它。這是我給 Pytorch 2 顆星而給 Keras 3 顆星的原因。Keras 在開發經驗(除了調試)方面非常出色。你可以得到很好的早期效果且能夠進行傻瓜式層編寫。

上線時間

當我在談論庫的上線時間時其實是在說：我們的開發人員需要多長時間來理解庫、發現/修復漏洞、受到庫的啟發(***一點尤其重要，因為一個開發者在燃起了對工具的使用興致后，其開發速度通常會提升 2-5 倍)。兩個庫都很好，盡管 Keras 出現的時間更早且有更多的網上教程和文檔。所以 Pytorch 就比 Keras 少 1 顆星。

社區支持

這個問題很棘手。什么是社區?對于像 Pytorch 和 Keras 之類較小的庫，得有一些對其進行宣傳并(即使是對垃圾問題)提供有價值的解答以及幫助修復社區 bug 的人，這點非常重要。如果你像 Keras 那樣自娛自樂，那么要搞定所有問題是非常困難的。你可以在 Keras 的問題追蹤器中很清楚地看到 2,500 個開放的問題，以至于該項目完全不堪重負。相比之下，Pytorch 是由一個 Facebook 的工程師團隊進行維護，你可以看到那里的問題更少且社區支持更加活躍。如果你在 Keras 中遇到一個問題，可能要等上幾周/月的時間才能(如果可能)得到解決方案。

商業支持

Pytorch 太新了，幾乎還沒有人提供商業支持。我相信連 Facebook 都不會提供任何資金支持。Keras 則有些不一樣。已經有很多使用 Tensorflow/Theano/Keras 來提供開發服務的公司。所以，如果你遇到一個問題并想用錢來解決，則***用 Keras/Tensorflow。

長期發展

我相信在 Facebook 和谷歌對兩個項目的支持下，你大可以說二者會在未來幾年內依然存在。盡管我真的希望 Keras 可以得到一支谷歌團隊或一個開源組織的支持，這樣它就不會僅僅因為大量開放且不斷涌入的問題而死掉。

從長遠來看，靜態圖會成為過去，而相對便于使用的庫會得到越來越多的使用，因為在正常的軟件開發領域，調試和上市時間對于行業的可維護性(機器學習正在朝此方向行進)來說是最重要的。在所有這三個類別中，像 PyTorch 那樣的動態圖像都將綻放光芒。

你可以對任何任務同時部署 Keras 和 PyTorch。你對誰了解得更深，那么你用它編寫異乎尋常的代碼就會更快。雖然我傾向于認為 Pytorch 在編寫非同尋常的事物方面更加靈活，而你可能認為層代碼的編寫就不是這樣。

結論

我現在更喜歡 Keras，因為我上一次試用 PyTorch 時，它還有幾個 GPU 方面的問題，還有另一些問題我沒有克服。在 Keras 上，我的項目已經運行了數月，其效果相當不錯，盡管我在運行時間更久(并非幾天時間)的項目中看到了一些 bug 報告，而且使用靜態圖的后端來調試 Keras 相當麻煩。在接下來的幾個月里，如果 PyTorch 變得越來越穩定，我肯定會轉投 PyTorch 陣營。然而我還想試試 Caffe2。

原文：

https://www.reddit.com/r/MachineLearning/comments/6grw9t/n_early_access_to_deep_learning_book_by_keras/

【本文是51CTO專欄機構“機器之心”的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文