作者 | Jeff Hale
譯者 | Jackey
編輯 | Jane
出品 | AI科技大本營（id：rgznai100）
【導語】 TensorFlow 2.0 和 PyTorch 1.0 陸續發佈後，關於它們二者到底誰更勝一籌的討論一直未停，也一直沒有一個結果。到底目前誰更受青睞，本文中，作者圍繞 TensorFlow 2.0 和 PyTorch 1.0，蒐集多方來源的數據爲大家進行深入分析，除此之外，還談到一些學習建議，未來深度學習框架還有哪些方向值得大家關注等話題。
TF 2.0 vs PyTorch 焦灼之戰
2018 年 9 月，作者曾寫過一篇文章，從需求量、使用量、熱門度等角度對比分析了主流深度學習框架。TensorFlow 毫無爭議地成爲重量級深度學習框架的冠軍，PyTorch 即是賽場新秀，也是後起之秀。那麼，在過去的六個月的時間裏，深度學習框架的賽場又有什麼新進展？
爲此，我查詢了 Indeed、Monster、LinkedIn 和 SimplyHired 幾家招聘網站的職位信息，還考量了谷歌搜索的結果、GitHub的表現、Medium 和ArXiv 的新增文章數，Quora 上關於深度學習框架主題的關注者數量，這些信息勾勒出了深度學習框架在需求、使用和熱度增長方面的大體概況。
集成與更新
最近，TensorFlow 和 PyTorch 框架都有一些重要的進展。PyTorch 1.0 版於 2018 年 10 月預發佈，同時 fastai v1.0 版也已發佈，都標誌着這些框架在走向成熟。TensorFlow 2.0 Alpha 版於 2019 年 3 月 4 日發佈，增加了新功能還改進了用戶體驗，更緊密地與 Keras 結合，集成爲高級API，同時也會有更多功能。
對比分析方法
這次，我將 Keras 和 fastai 也納入評估分析範圍，因爲它們與 TensorFlow 和 PyTorch 有着緊密的關係，而它們的發展與受歡迎數據也可以作爲評估 TensorFlow 和 PyTorch 的一個衡量尺度。
但是這次不會再探討其他深度學習框架，如 Caffe、 Theano、 MXNET、 CNTK、 DeepLearning4J 還有 Chainer 等，這些框架有其各自的優點，但它們與 TensorFlow 或 PyTorch 的發展方向是不同的，而且也沒有與其他框架緊密結合。
蒐集查詢這些數據的時間是 2019 年 3 月 20日至 21 日，並且把數據可視化展現出來，想要源數據和參考交互圖表的小夥伴們可以訪問下面兩個地址：
https://docs.google.com/spreadsheets/d/1Q9rQkfi8ubKM8aX33In0Ki6ldUCfJhGqiH9ir6boexw/edit?usp=sharing
https://www.kaggle.com/discdiver/2019-deep-learning-framework-growth-scores
接下來，我們就一起來看看更具體的對比分析結果。
一、招聘網站：職位需求變化
爲了解現在的招聘需求中看重哪些深度學習框架，我在 Indeed、LinkedIn、Monster 和SimplyHired 上搜索了相關職位。
用“機器學習”+“庫名”這兩個關鍵詞進行搜索。比如我要搜索哪些崗位需要 TensorFlow，就輸入“ machine learning TensorFlow”，這樣做也是個人習慣使然。不加上機器學習這個關鍵詞進行搜索也可以，並不會產生明顯不同的結果。（搜索區域爲美國）。
排除 2019 年 3 月前的職位信息，以限定數據時間範圍爲這半年內，整理後發現:
對掌握 TensorFlow 的職位比 PyTorch 略高。Keras的職位需求大約是 TensorFlow 的一半。目前沒有什麼招聘需求中對 fastai 有明確的要求。值得注意的是，除了 LinkedIn，其他求職網站上需要掌握 PyTorch 的職位要比 TensorFlow 多。
二、Google Trends：分析谷歌搜索數據
谷歌作爲最大的搜索引擎，其網頁搜索結果可以作爲衡量深度學習框架受歡迎程度的標準之一。分析 Google Trends 看了過去一年來各個框架的檢索歷史，搜索全球範圍內，用戶對於機器學習和人工智能類別的搜索熱度。谷歌不提供絕對的搜索數字，但提供了大概數字，可以進行參考。
通過計算過去六個月，用戶對各個框架搜索熱度的平均分數，並將其與在此之前的六個月的平均分數進行對比，TensorFlow 的搜索量相對下降，PyTorch 的搜索量則有所提升。下圖反映了過去一年中，用戶使用谷歌搜索各個框架的熱度。
（藍色：TensorFlow；黃色：Keras；紅色：PyTorch；綠色：fastai）
三、博客網站：新文章發表情況
Medium 是數據科學文章和教程的重要發佈渠道之一，很多人會在上面分享自己的博文。
同樣在過去六個月中，Medium 上關於TensorFlow 和 Keras 發表的文章數量十分接近，而 PyTorch 則相對較少。 作爲高級 API，Keras 和 fastai 也受到了很多深度學習開發者的歡迎，在 Medium 上也有很多教學文章。
四、arXiv：新論文中的使用情況
arXiv 想必大家都非常熟悉了，大多數人都會把自己的研究論文掛在上面。查找半年來 arXiv 上更新的論文中使用 TensorFlow 和 PyTorch 的數量發現，研究中使用 TensorFlow 的數量還是明顯多於 PyTorch 的。
五、GitHub：四個數據
GitHub 的數據也可以作爲評價框架受歡迎程度的一個指標，下面的四個圖是分別對 Github 上不同深度學習框架 Stars、Forks、Watches 和 Contributors 的統計結果。無論是哪個數據，TensorFlow 都是 Top 1，不過 PyTorch 的 Watchers 數和 Contributors 數與 TensorFlow 非常接近，並沒有很大的差距，與此同時 FastAI 的 Contributors 數量值得關注，其遠高於 Keras，接近PyTorch。Keras 和 TensorFlow 本都是 Google 主導開發的，一些 Keras 的貢獻者也在 TensorFlow 中參與開發，因此，Keras 的數據也會受此影響。
六、Quora：關注數量
在這次的對比分析中，新增加了一個新參考指標：Quora 上各框架的關注人數。這個指標以前沒有參考過。過去六個月，TensorFlow 的關注者最多，PyTorch 和 Keras的關注者還遠不及TensorFlow。
蒐集完這些數據後，我把所有的信息整合到一個統一的評測量度中，下面就爲大家介紹增長分數的計算。
增長分數計算
以下是計算增長分數的步驟：
1、將所有的信息轉化成從 0到1 區間的數值。
2、聚合在線職位信息和 GitHub 活動的各個分項。
3、根據下圖，對各類別進行加權計算。
4、將加權得分換算成百分制
5、將所有的得分求和，得出每個框架的增長得分。
在上面的 6 個類別中，職位信息數據佔總比的 35%，其他五類權重相等。（金錢的推動力還是很現實的）。這樣的劃分似乎可以很好地平衡了各個分類的權重。與之前 2018 年加權分數分析不同，我沒有考量 KDNuggets 的調查（沒有更新數據）與新書出版情況（近六個月沒有很多新書出版）。
對比結果
下表顯示了各個框架的細分項得分：
查看谷歌表格可訪問下面網址
https://docs.google.com/spreadsheets/d/1Q9rQkfi8ubKM8aX33In0Ki6ldUCfJhGqiH9ir6boexw/edit?usp=sharing
以下是各個類別和最終得分：
下圖展現了各個框架的成長得分：
TensorFlow 還是需求量最大，增長最快的深度學習框架，其地位暫時不可取代。PyTorch 的增長同樣迅速，職位需求的大幅增加也印證了其使用量和需求量的增長。Keras 在過去六個月中有所提升。最後，FastAI 本身基數較低，但也有增長。畢竟它還是這些框架中最新的那個。
無論是 TensorFlow 還是 PyTorch 都是值得學習的好框架。
學習建議
如果你要學習 TensorFlow，我建議你從 Keras 學起。首推 Chollet 的 Deep Learning with Python 和 Dan Becker 的 DataCamp course on Keras。TensorFlow 2.0 版本中集成了tf.keras，因此，現在在 TensorFlow 框架中就可以調用 Keras 了。如果你要學習 PyTorch，我建議你從 fastai 學起。可以學習慕課課程 Practical Deep Learning for Coders, v3，從深度學習基礎，到 fastai 與 PyTorch 基礎貫穿學習。
關於 TensorFlow 和 PyTorch，我們還能學習什麼？
未來的方向
經常聽開發者們說道，相比 TensorFlow，更喜歡用 PyTorch，因爲 PyTorch 更適用於 python，其 API 也更穩定。它還有一個原生的 ONNX 模型接口，可以加速訓練預測。此外，PyTorch 還有很多和 Numpy 一致的命令，這也降低了學習的難度。
然而，谷歌首席決策情報工程師凱西·科濟爾科夫認爲，TensorFlow 2.0版本專注於提升用戶體驗。更好用的接口、集成了 Keras，並增加了一個執行選項。這些改變，再加上 TensorFlow 的包容性，會讓 TensorFlow 在接下來的時間裏繼續保持流行與熱度。
TensorFlow 最近還宣佈了一個令人激動的計劃：開發一個 Swift for TensorFlow。Swift 是一種由蘋果公司開發的編程語言，比 Python 的執行效率和開發速度都要快。慕課上 Fast.ai 的課程也會結合一些 Swift for TensorFlow，雖然這個語言距離成熟還需要時間，但是它對於深度學習框架而言，是一個重要的進展。語言和框架間的集成與借鑑也是一定會發生的。
另一個影響深度學習框架的因素是量子計算。距離量子計算機的有效利用還需要數年的時間，不過 Google、IBM、微軟和其他一些公司已經開始思考如何集成量子計算和深度學習。屆時，爲使用新的技術，這些框架將會面臨相應的調整。
TensorFlow 和 PyTorch 框架都在進步，它們都具備高級 API 接口（tf.keras和 fastai），降低深度學習的學習門檻。
原文鏈接：
https://towardsdatascience.com/which-deep-learning-framework-is-growing-fastest-3f77f14aa318
（本文爲 AI大本營編譯文章，轉載請微信聯繫 1092722531）
關於 TF、PyTorch 或其他深度學習框架，你有哪些使用感受與經驗，希望愛技術、愛分享的小夥伴們願意與大家分享，可與我們聯繫，精彩原創內容還有稿費或紀念品哦!