数据科学网站KDnuggets的统计显示 ， 2018年时 ， 在GitHub的活跃度、Google上的搜索量、知名科技媒体Medium上的文章数量以及arXiv上的论文数量 ， TensorFlow所占比重都是最多的 ， 遥遥领先于其他深度学习框架 。 科技大厂背景、明星团队、先发优势 ， TensorFlow迅速成为最炙手可热的深度学习框架 。

文章图片

但一家独大的局面也并未持续太久 。 早在改名META之前 ， Facebook与Google的竞争就早已是公开的秘密 ， 自然不会将深度学习框架这块人工智能发展的“必争之地”拱手让人 。 就在AlphaGo击败李世石的同一年 ， Facebook内部正在酝酿一场未来深度学习框架之争的风暴 。
彼时Facebook AI还在使用Caffe、Torch框架 。 虽然TensorFlow的出现使得过去很多繁杂的工作得到简化 ， 但还有许多基于Caffe、Torch框架的研究 ， 而Torch这样的框架在使用时却不甚便利 ， 开发者甚至需要每组网络层手动编写微分 ， 然后再以一种复杂的方式组合在一起 。
一个名为Soumith Chintala的人希望可以开发出新一代的框架 ， 它可以自动微分 ， 而且使用动态计算图 。 后来 ， 他成为了PyTorch的创始人 。
TensorFlow在高速发展过程中 ， 也产生了很多被人诟病的地方 ， 比如API的稳定性、效率和基于静态计算图的编程上的复杂性等 。 这些不足之处为竞争中的PyTorch送上了助攻 。
2018年 ， Caffe2代码并入PyTorch， Facebook主力支持的两大深度学习框架合二为一 ， PyTorch的发展驶入快车道 ， 崛起速度令人咂舌 。 Chintala也介绍 ， 很多研究人员喜爱PyTorch 。 如今 ， PyTorch已经在学术论文圈形成了绝对的优势 。 据统计 ， 在Hugging Face上有85%的模型是PyTorch独家的 ， TensorFlow的比例仅为8% 。 而在最受欢迎的前30个项目中 ， 所有项目都有使用PyTorch ， 而超过10个模型并未使用TensorFlow 。

文章图片


文章图片

对八家顶尖研究期刊的统计数据显示 ， 诞生之初 ， 仅有7%的论文使用了PyTorch框架 ， 而到了2021年 ， 这一比例已经增长到了接近80% 。

文章图片

此外 ， 在2019年 ， 有55%的TensorFlow使用者转而使用了PyTorch 。
虽然随着PyTorch的崛起 ， TensorFlow的威势不再 ， 但在工业界 ， TensorFlow仍然占据着主流框架的位置 。
TensorFlow比PyTorch更适用于生产环境 。 科研人员最关心的是他们在研究当中迭代的速度有多快 ， 他们会优先考虑框架实现新思路的能力 。 相反 ， 工业界则认为性能是最需要优先考虑的 。
另外 ， 从一开始TensorFlow就是一个面向部署的首选框架 ， 因为它有一系列可以提高端到端深度学习效率的工具 ， 比如TensorFlow Serving和TensorFlow Lite 。
PyTorch还不能够很好地满足工业界的需求 ， 因此大多数在生产环境下的开发者都倾向选择使用TensorFlow 。 但从1.6版本发布开始 ， PyTorch对生产环境的支持也更加友好 ， 外界认为 PyTorch 会逐渐在此方面缩小与TensorFlow的差距 。
TensorFlow依托工业界的部署优势 ， PyTorch凭借其易用性优势 ， 两者一度占领了全球深度学习市场 ， 但随着中国企业加入到这场竞争中 ， 这个格局已然出现了变化 。
深度学习框架之争的下半场 ， “PT”变成“PPT”
回望2016年 ， 对于深度学习框架来说 ， 是历史性的一年 ， 也正是在这一年 ， 百度的PaddlePaddle开源 ， 打响了国产深度学习框架开源的第一枪 。 百度的出征 ， 也标志着中国科技企业有能力参与到人工智能底层技术的竞争中 。