TensorFlow与PyTorch之争，哪个框架最适合深度学习(2)

在训练过程的可视化方面，TensorFlow 更有优势。可视化能帮助开发者跟踪训练过程以及实现更方便的调试。TensorFlow 的可视化库名为 TensorBoard。PyTorch 开发者则使用 Visdom，但是 Visdom 提供的功能很简单且有限，所以 TensorBoard 在训练过程可视化方面更好。

TensorBoard 的特性：

• 跟踪和可视化损失和准确度等指标
• 可视化计算图(操作和层)
• 查看权重、偏差或其它张量随时间变化的直方图
• 展示图像、文本和音频数据
• 分析 TensorFlow 程序

在 TensorBoard 中可视化训练

Visdom 的特性：

• 处理回调
• 绘制图表和细节
• 管理环境

在 Visdom 中可视化训练

4. 生产部署

在将训练好的模型部署到生产方面，TensorFlow 显然是赢家。我们可以直接使用 TensorFlow serving 在 TensorFlow 中部署模型，这是一种使用了 REST Client API 的框架。

使用 PyTorch 时，在最新的 1.0 稳定版中，生产部署要容易一些，但它没有提供任何用于在网络上直接部署模型的框架。你必须使用 Flask 或 Django 作为后端服务器。所以，如果要考虑性能，TensorFlow serving 可能是更好的选择。

5. 用 PyTorch 和 TensorFlow 定义一个简单的神经网络

我们比较一下如何在 PyTorch 和 TensorFlow 中声明神经网络。

在 PyTorch 中，神经网络是一个类，我们可以使用 torch.nn 软件包导入构建架构所必需的层。所有的层都首先在 __init__() 方法中声明，然后在 forward() 方法中定义输入 x 在网络所有层中的遍历方式。最后，我们声明一个变量模型并将其分配给定义的架构(model = NeuralNet())。

近期 Keras 被合并到了 TensorFlow 库中，这是一个使用 TensorFlow 作为后端的神经网络框架。从那时起，在 TensorFlow 中声明层的句法就与 Keras 的句法类似了。首先，我们声明变量并将其分配给我们将要声明的架构类型，这里的例子是一个 Sequential() 架构。

接下来，我们使用 model.add() 方法以序列方式直接添加层。层的类型可以从 tf.layers 导入，如下代码片段所示：

五、TensorFlow 和 PyTorch 的优缺点

TensorFlow和PyTorch各有其优缺点。

TensorFlow 的优点：

• 简单的内置高级 API
• 使用 TensorBoard 可视化训练
• 通过 TensorFlow serving 容易实现生产部署
• 很容易的移动平台支持
• 开源
• 良好的文档和社区支持

TensorFlow 的缺点：

• 静态图
• 调试方法
• 难以快速修改

PyTorch 的优点

• 类 Python 的代码
• 动态图
• 轻松快速的编辑
• 良好的文档和社区支持
• 开源
• 很多项目都使用 PyTorch

PyTorch 的缺点：

• 可视化需要第三方
• 生产部署需要 API 服务器

六、PyTorch 和 TensorFlow 安装、版本、更新

PyTorch 和 TensorFlow 近期都发布了新版本：PyTorch 1.0(首个稳定版)和 TensorFlow 2.0(beta 测试版)。这两个版本都有重大的更新和新功能，让训练过程更高效、流畅和强大。

如果你要在自己的机器上安装这些框架的最新版，你可以用源代码 build 或通过 pip 安装。

1. PyTorch 安装

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 安装

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 

要检查安装是否成功，可使用命令提示符或终端按以下步骤操作。

七、TensorFlow 还是 PyTorch?我的建议

TensorFlow 是一种非常强大和成熟的深度学习库，具有很强的可视化功能和多个用于高级模型开发的选项。它有面向生产部署的选项，并且支持移动平台。另一方面，PyTorch 框架还很年轻，拥有更强的社区动员，而且它对 Python 友好。

我的建议是如果你想更快速地开发和构建 AI 相关产品，TensorFlow 是很好的选择。建议研究型开发者使用 PyTorch，因为它支持快速和动态的训练。

原文链接：https://builtin.com/data-science/pytorch-vs-tensorflow

【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】

戳这里，看该作者更多好文

（编辑：ASP站长网）