看看一线开发者怎么说,pytorch和tensorflow

PyTorch和Gluon有什么区别？

pytorch是一个和tensorflow一样的深度学习框架，没有高度封装，适用于科研和工业部署的框架，由facebook出品，随着pytorch新版本的更新，c的扩展，也许能够与tensorflow争一下地位，对于工业界也逐渐友好，工业部署算法也有些可能。tensorflow是静态图，而pytorch是动态图。
Gluon是亚马逊大神LI MU带领下做的一个前端工具，是一个高度封装的接口。很多最新论文的算法，都有复现，你只需要去调用相应的function就可以使用相应算法，可以很简单，快捷的使用算法，看算法的展示效果。另外GluonCV是衍生出来的另一来源项目，主要针对于视觉方面，比如人脸识别，车辆检测，物体分类等等。
TensorFlow与PyTorch之间有何不同？

由于人工智能正在几乎所有自动化领域得到实施。深度学习是用于开发和最大化类人计算机效率的最棘手的架构之一。为了帮助产品开发人员，Google，Facebook和其他大型科技公司已经发布了各种Python环境框架，可以学习，构建和培训多样化的神经网络。谷歌的TensorFlow是深度学习的开源框架，多年来受到欢迎。
使用新框架，PyTorch因其易于编写的代码而受到初学者的关注。PyTorch是基于Python，C和CUDA后端开发的，可用于Linux，macOS和Windows 。这两个广泛使用的框架之间存在一些差异，可能是因为它们实现代码，可视化技术以及静态和动态编程的方式。我们来看看差异：计算图初始化时，在PyTorch上分配和构建图形遵循动态计算图形方法。
熟悉Python中的数学库的用户会发现它很容易，因为人们不必为了构建图形而头脑发热。您可以按照自己的方式直接编写输入和输出功能，而无需担心尺寸张量。通过CUDA支持，这使生活变得更加容易。在TensorFlow中，人们必须努力构建张量（图形）的维度以及为变量分配占位符。完成此操作后，必须运行会话才能计算出所有计算结果。
这样的痛苦，不是吗？例如，tf.Session（）用于构建会话，tf.Variable（）用于将权重分配给变量，依此类推。初始化后，可以构建一个神经网络，用于TensorFlow中的训练。文档PyTorch和TensorFlow的文档广泛可用，考虑到两者都在开发中，而PyTorch是最近发布的，与TensorFlow相比。
人们可以在两个框架上找到大量文档，其中实现得到了很好的描述。这两个框架都提供了大量的教程，这有助于人们专注于通过用例学习和实现它们。适应设备PyTorch和TensorFlow都有GPU扩展可用。这两个框架之间的主要区别在于，当考虑GPU进行TensorFlow计算时，它会消耗所有可用GPU的整个内存。
通过为特定进程分配正确的GPU设备可以避免这种情况。tf.device（）为您提供选择首选GPU的选项。由于TensorFlow是一种静态计算图形方法，因此可以轻松优化此框架上的代码。在PyTorch上，变量可以与权重一起分配并同时运行，其中框架构建计算所需的图形。这方面的GPU使用已经通过CUDA安装启用，即使在尝试在CPU上运行时，PyTorch也总是试图找到要计算的GPU 。
因此，必须提供X.cpu（）扩展才能在CPU上运行它。在TensorFlow tf.device（/ cpu：0）：参数用于在CPU上运行它。也可以选择使用tf.device（/ gpu：0）的GPU来选择第一个GPU或tf.device（/ gpu：1）来选择第二个GPU 。模型可视化可视化是理解模型性能和工作的关键。
TensorFlow具有图形和模型TensorBoard的实时表示功能，非常方便。在这里，人们不仅能够获得神经网络的图形表示，还能够获得实时的损失和准确度图，其描绘了模型在特定迭代中的精确度。这是一些例子：这是一个实时分析，与PyTorch相比，TensorFlow擅长，而PyTorch完全缺乏此功能。