TensorFlow與PyTorch之爭，哪個框架最適合深度學習
如果你在讀這篇文章，那么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，那么簡單來說，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，這讓人們可以更輕松地學習、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。
一、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，于 2015 年發布。官方研究發布于論文《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于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。
二、Facebook 的 PyTorch
PyTorch 是最新的深度學習框架之一，由 Facebook 的團隊開發，并于 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、易于使用、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。
三、我們可以用 TensorFlow 和 PyTorch 構建什么?
神經網絡起初是被用于解決手寫數字識別或用相機識別汽車注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并求解遠遠更加復雜的問題。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。訓練后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。
盡管神經網絡架構可以基于任何框架實現，但結果卻并不一樣。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，那么你可以使用 GPU 來增強其訓練過程，因為它們運行在 CUDA(一種 C++ 后端)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。
1. TensorFlow 優秀項目
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：這是一個基于 TensorFlow 的軟件庫，可用于構建復雜的神經網絡：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/
2. PyTorch 優秀項目
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 編寫的通用概率編程語言(PPL)，后端由 PyTorch 支持：https://pyro.ai (https://pyro.ai/)
Horizon：一個用于應用強化學習(Applied RL)的平臺：https://horizonrl.com (https://horizonrl.com/)
這些只是基于 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。
四、PyTorch 和 TensorFlow 對比
PyTorch 和 TensorFlow 的關鍵差異是它們執行代碼的方式。這兩個框架都基于基礎數據類型張量(tensor)而工作。你可以將張量看作是下圖所示的多維數組。
1. 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：
- 一個用于定義計算圖以及在各種不同硬件上執行這些圖的運行時間的軟件庫。
- 一個具有許多優點的計算圖(后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并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。
類似于 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占位符。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，在軟件領域有很大的不同。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。
2. 分布式訓練
PyTorch 和 TensorFlow 的一個主要差異特點是數據并行化。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，并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：
3. 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
- 繪制圖表和細節
- 管理環境
在 Visdom 中可視化訓練
4. 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于在網絡上直接部署模型的框架。你必須使用 Flask 或 Django 作為后端服務器。所以，如果要考慮性能，TensorFlow serving 可能是更好的選擇。
5. 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 軟件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，然后在 forward() 方法中定義輸入 x 在網絡所有層中的遍歷方式。最后，我們聲明一個變量模型并將其分配給定義的架構(model = NeuralNet())。
近期 Keras 被合并到了 TensorFlow 庫中，這是一個使用 TensorFlow 作為后端的神經網絡框架。從那時起，在 TensorFlow 中聲明層的句法就與 Keras 的句法類似了。首先，我們聲明變量并將其分配給我們將要聲明的架構類型，這里的例子是一個 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：
五、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
- 輕松快速的編輯
- 良好的文檔和社區支持
- 開源
- 很多項目都使用 PyTorch
PyTorch 的缺點：
- 可視化需要第三方
- 生產部署需要 API 服務器
六、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，你可以用源代碼 build 或通過 pip 安裝。
1. 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.whl
- pip3 install https://download.pytorch.org/whl/cu90/torchvision-0.3.0-cp36-cp36m-win_amd64.whl
2. TensorFlow 安裝
macOS、Linux 和 Windows
- # Current stable release for CPU-only
- pip install tensorflow
- # Install TensorFlow 2.0 Beta
- pip 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。
七、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于高級模型開發的選項。它有面向生產部署的選項，并且支持移動平臺。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。
原文鏈接：https://builtin.com/data-science/pytorch-vs-tensorflow
【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)”】
