看看一线开发者怎么说,pytorch和tensorflow( 二 )

您还可以可视化神经网络的流程图，包括音频文件（如果您的数据中存在），这非常棒。结论在未来，PyTorch可能会像TensorBoard一样添加可视化功能。PyTorch因其动态的计算方法和简单性而越来越受欢迎。建议初学者在继续使用TensorFlow之前在PyTorch上工作，这有助于他们专注于模型而不是花时间构建图形。
面对Tensorflow，为何我选择PyTorch？

先来说说pytorch劣势。自从其被发布以来pytorch更多被用于学术界而不是工业界的实际生产，主要是因为它不够成熟、很多接口不太稳定，加上其全面性也不够，tensorflow目前仍然有很多pytorch不支持的功能，比如快速傅里叶变换，但这一点劣势会随着pytorch的发展而逐渐减小。除此此外，相比于tensorflow的容易各处部署的静态图（这一点远胜于很多框架），以python优先的深度学习框架 pytorch在部署到其他产品会很不方便。
优势先从上手时间开始说，虽然在2015年发布之后tensorflow多方受宠，但是和theano一样，tensorflow使用的是静态计算图，对于新手来说有过多需要新学习的概念，这导致了不管是入门还是搭建，使用tensorflow都比pytorch困难。而在2017年pytorch被团队开源的主要原因之一也是让建立深度学习模型更加简单，这让它发展十分迅猛。
在数据加载上，pytorch加载数据的API简单高效，其面向对象的API源自于porch（也是keras的设计起源），比tensorflow难学的API友好很多，使用户可以将重点放在实现自己的想法，而不是被框架本身束缚住。速度上，pytorch并没有为了灵活性而放弃速度，虽然运行速度和程序员水平密切相关，但pytorch在相同情况下常有可能胜于其他框架的速度。
【看看一线开发者怎么说,pytorch和tensorflow】研一刚入学，从未接触过神经网络，python也是才开始学，现在导师要我做LSTM，我应该去学什么？
几个方面去做1 python语言可以边用边学2 在python之上其实还有个深度学习框架要学，比如pytorch，tensorflow，推荐学pytorch，对新手友好容易用。或者跟实验室大部队走，别人用啥就用啥这样后面好交流3 lstm相关知识，可以先看看csdn上的博客，别人的理解是怎么样的，再去知网找硕博毕业论文lstm相关看看。
TensorFlow、Pytorch、OneFlow，MXNet、MindSpore这些框架谁最好用？
公司常用的框架有tensorflow 和 pytorch。下面描述一下企业对框架的使用现状。tensorflow。tensorflow 版本之间变化有点大，1.15的很多api，在2.0后弃用了，对运行环境版本升级有一定的影响。只能是旧的项目沿用旧版本，新项目用新版本;对于tensorflow 的使用呢，有些人直接用原生的tensorflow api，有些人喜欢用封装后的keras，底层的计算执行庫还是由tensorflow 提供。
pytorch。有些人对于tensorflow 版本混乱的不满，慢慢转投了pytorch 的怀抱。pytorch的api较为稳定，而且提供的多机多卡分布式训练的api也较为简单易用。个人觉得这两个框架都挺不错，对于怎么选择的话看个人对框架的用途，熟悉程度，与个人偏好吧。如果仅仅是使用框架，两者区别不是很大。
如果是想研究框架本身与机器学习深度学习底层计算算法以及对算法进行优化，pytorch 作为后来者近年来对gpu运行加速上不断的努力前行，更受国内外研究人员的青睐。最后，算法岗其实不仅仅是研究算法，还要涉及算法落地完整流程，包括数据预处理，算法设计与实现，训练模型，保存模型，部署serving服务等流程，有完整一套产业链，来保证算法相关服务正常运行。