摘要：我認為對機器學(xué)習(xí)開發(fā)者來說，是一個了不起的工具集。這個帖子發(fā)出后得到了很多機器學(xué)習(xí)研究者和開發(fā)者的關(guān)注，他們紛紛跟貼談?wù)撟约旱南敕ê徒?jīng)驗不只是關(guān)于和，討論中還涉及到更多工具。

Theano、TensorFlow、Torch、MXNet 再到近日比較熱門的 PyTorch 等等，深度學(xué)習(xí)框架之間的比較一直以來都是非常受人關(guān)注的熱點話題。機器之心也曾發(fā)表過多篇相關(guān)的介紹和對比文章，如《主流深度學(xué)習(xí)框架對比：看你最適合哪一款？》、《五大主流深度學(xué)習(xí)框架比較分析：MXNET 是較好選擇》、《對比深度學(xué)習(xí)十大框架：TensorFlow 最流行但并不是較好》和《從 TensorFlow 到 Theano：橫向?qū)Ρ绕叽笊疃葘W(xué)習(xí)框架》。

不過你知道用戶實際用起來的感覺怎么樣嗎？近日，Reddit 用戶 cjmcmurtrie 發(fā)了一個主題為「PyTorch vs. TensorFlow」的討論帖，想要了解這兩大流行的框架之間各自有什么優(yōu)勢。

原帖地址：https://redd.it/5w3q74?

帖子一樓寫道：

我還沒有從 Torch7 遷移到 TensorFlow。我玩過 TensorFlow，但我發(fā)現(xiàn) Torch7 更加直觀（也許是我玩得不夠？）。我也嘗試了一點 PyTorch，所以我決定先看看效果。

使用了幾周 PyTorch 之后，我認為我現(xiàn)在還不必遷移到 TensorFlow，至少在我感興趣的項目上還不需要。用 PyTorch 寫自定義模塊真是簡單至極。而且其動態(tài)圖構(gòu)建（dynamic graph construction）給我之前需要熬夜實現(xiàn)（或等待列表上）的東西帶來了很多新想法。我認為對機器學(xué)習(xí)開發(fā)者來說，PyTorch 是一個了不起的工具集。我也知道 TensorFlow 的社區(qū)資源要強大得多，但如果要開發(fā)全新的項目（而不是為已有的架構(gòu)重新寫代碼或閱讀教程），社區(qū)也不一定能有很大的幫助。

這個 Reddit 帖子發(fā)出后得到了很多機器學(xué)習(xí)研究者和開發(fā)者的關(guān)注，他們紛紛跟貼談?wù)撟约旱南敕ê徒?jīng)驗（不只是關(guān)于 PyTorch 和 TensorFlow，討論中還涉及到更多工具）。機器之心在這里選擇其中一些我們認為有價值的評論，希望能夠給你的學(xué)習(xí)和研究帶來幫助。以下按贊成數(shù)量排序。

ajmooch的回復(fù)：

我一直在做一個 TensorFlow 的項目，所以我可以公正地在 Theano+Lasagne, PyTorch 和 Tensorflow 三者之間做一個比較。但對于前兩者，我可以給出一些漫漫的看法。

背景：大概在一年前我開始接觸 Theano+Lasagne，并在我的兩篇論文中使用了它。我上周改換到 PyTorch，并重新建了兩個我以前用 Theano 實現(xiàn)的關(guān)鍵項目。

API：Theano 的圖形構(gòu)建和編譯工作方式讓我學(xué)習(xí)起來很費勁，但一旦我找到了它的竅門，一切都迎刃而解（這也許會花費兩個月，但是我仍舊在學(xué)習(xí) Python 和基本的神經(jīng)網(wǎng)絡(luò)方面的東西，所以對這一速度的參考價值持保留態(tài)度）。Lasagne 的 API，對我來說，就像是優(yōu)雅的凱瑟琳女皇騎著逆戟鯨展開了戰(zhàn)斗，也就是說我愛死它了。如果我提前知道我有多想要一個 Theano 的程式庫去工作，我一定會寫一個程式庫，這大大地減輕了繁重的勞動。

PyTorch 的 API，另一方面來說感覺有些粗糙，但對它有一些限定詞，這個稍后再談。如果你只是做一些標準的任務(wù)（實現(xiàn) ResNet 或者 VGG）我認為你不會有問題，但我一直都有一些分歧因為我所做的一切都有些奇怪。舉個例子，在我當前的項目中，因為 strided 張量索引（tensor indexing）還未實現(xiàn)，我必須使用幾個 hacky 解決方法，雖然當前的索引技術(shù)非常靈活，比起直接使用 numpy 風(fēng)格的索引，它們少了很多直觀性。中心的限定條件是，它們確實只是釋放 friggin 的框架，當然并不是一切都實現(xiàn)，還有一些待解決的問題。Theano 發(fā)展時間長且已經(jīng)成熟，我并沒有觀察到它或者 Lasagne 在這個過程中遇到過困難。

除此之外，對于 PyTorch 我較大的「抱怨」基本上是在神經(jīng)網(wǎng)絡(luò) API 方面「事情并未按照我讓他們組合的方式進行放置」。具體來說，我非常喜歡 Lasagne 的「層次（layers）」范式—但是一點點批判性的思維就會讓你得出這個結(jié)論，這個范式尤其不適合動態(tài)圖框架。我完全習(xí)慣于考慮并且優(yōu)化我關(guān)于靜態(tài)圖形定義的思考過程，所以轉(zhuǎn)換 API 方法是一個小的痛點。這非常重要-我花了很長時間思考「好吧，既然我不能使用自己的標準流控制寫出一個常規(guī)的程序一樣，寫出這個圖的 Theano，那么我該如何定義它呢，」這讓我在思維的道路上變得越來越強大。

然而，動態(tài)圖需要一個與「定義+運行」基本不同的 API，雖然我個人認為它并不直觀，就在上周其多帶帶執(zhí)行定義的方法，正如 CJ 所說，打開了我的思路并給了我?guī)资畟€項目的想法，這在以前是不可能的。我還想象，如果你在任何你想的地方使用 RNNs 做任何事情，比如，在沒有消耗計算的前提下實現(xiàn)動態(tài)計算，接口的命令性質(zhì)將會使它更容易這樣做。

速度：所以我沒有做廣泛的基準測試，但是我驚訝的發(fā)現(xiàn)，PyTorch 是可以立即使用的，在我當前的項目的單 GPU 的訓(xùn)練時間比 theano+lasagne 快 100%。我已經(jīng)在 Geforce gtx 980 和 Titan X 上測試了它，并實現(xiàn)了已經(jīng)確認相同且在合理的誤差范圍內(nèi)的網(wǎng)絡(luò)。100% 逐字地在 CIFAR100 上從（在最簡單的情況下）5 分/歷元到 2.5 分/歷元，并且在某些情況下降到 2 分鐘/歷元（即，快兩倍）

這是相同的模板代碼，使用了相同的數(shù)據(jù)提取程序（我不得不諷刺地說「fetcher」沒有思考「去死吧，F(xiàn)ETCHER（DIE, FETCHER!）」），除了實際的代碼，訓(xùn)練和運行網(wǎng)絡(luò)，一切都相同。

這讓我感到驚訝，因為我的印象是，Theano 的廣泛和積極的內(nèi)存優(yōu)化（在這種情況下，當你開始訓(xùn)練，只需花費幾分鐘進行編譯）意味著它在單 GPU 下的速度非常快。我不知道什么導(dǎo)致了速度的提升，或者，因為他們同樣都使用了 cuDNN 的版本（我仔細地檢查了一遍以確保的確是這樣），所以這一切的收獲一定在天空的某一個地方，但我并不知道會在哪里。

相關(guān)地，使用 Theano 工作時，我從來沒有能夠得到多 GPU 或者半精度浮點數(shù)。我花了好幾天的時間試圖讓 libgpuarray 工作，并使用 platoon 試圖進行修復(fù)，但每次我都會精疲力盡（想象一下即使我可以得到編譯的資源也不會如此困難，這已經(jīng)是一個痛點了）。然而，立即使用的 PyTorch 的數(shù)據(jù)并行性（單節(jié)點，4 GPU）和半精度（用于卷積的 pseudo-FP16，這意味它不會變快但是會使用更少的內(nèi)存）問題就解決了。當時就是這樣。

開發(fā)團隊交互：我與兩個框架的核心開發(fā)團隊一直交流的非常愉快。對于 Lasagne 和 Theano，我遇到了一些困難，很多奇怪的問題。很多次，他們總是快速且簡潔地幫我弄清楚什么錯了（我通常不明白）。PyTorch 團隊同樣有幫助—我一直在提出我遇到的錯誤或問題，并得到及時的反映，通常會在當天修復(fù)，或者得到解決方法或得到問題跟蹤。我并沒有在 Keras 或者 Tensorflow 上工作，但是我看過他們的「問題」日志和一些用戶組，只是因為大量的用戶，這些框架看起來并不會得到這種個人的關(guān)注 - 就像是我去 Cal Poly（加州理工州立大學(xué)）一樣，在這個地方，教授/學(xué)生的比例很高，你很少看到一個班中有超過 20 個學(xué)生，然而在 Berkeley 你能看到 1000 人的演講廳。這并非批評 Cal 的孩子或者暗示 berkeley 盲目擴招，但如果你是一個像我一樣開發(fā)非標準神經(jīng)網(wǎng)絡(luò)的人（我并不是在說 Chuck Tingle weird），然而從一個實際構(gòu)建框架的人那里得到快速的反饋，這是非常寶貴的能力。

Misc：我擔(dān)心一個特別的問題（為什么我打算幾年拾起 TensorFlow 并將它作為主要框架），Theano 和 PyTorch 都沒有為部署設(shè)計，開發(fā)團隊它看上去并沒有把重心放在 PyTorch 上（雖然在這方面，我可能看錯了，我模糊的記得我在論壇的帖子上看到過這個）。我想要練習(xí)將一些東西放置在網(wǎng)站或者 droid app 上（主要是為了娛樂，但我一直都非常專注于研究并認為這是一個真正有用的技能，可以實際獲得我在設(shè)備上所做的東西），我不確定其他的框架能很好地支持這種方式。

相關(guān)地，PyTorch 的分布式框架仍然是實驗性的，最近我聽說 TensorFlow 在設(shè)計時就考慮到了分布式，所以如果你需要運行真正的大規(guī)模項目，TensorFlow 多半是較好的。

TL；DR：我并不是試圖推薦哪個框架比較好；我至死都愛 Lasagne（可能更多），但我已經(jīng)發(fā)現(xiàn)動態(tài)圖的靈活性和其快速地、難以理解的增益的速度。我在上個星期安裝了 PyTorch 并且只用了非常少的時間就上手了，我想我不太可能回頭了。我并不是很了解 TensorFlow。但能從 PyTorch 開發(fā)者那里得到及時反饋對我來說是很重要的一點，因為我正在做一些看來有點奇怪的研究，但在未來我也可能為一些項目重新使用 TensorFlow。這個討論帖非常棒，但我希望在你閱讀過后的印象是：這是他們的主觀經(jīng)驗，而不是一個刻板的印象如：「就是這樣，你會感到同樣的方式」。

taion的回復(fù)：

我們最近從 Theano+Lasagne 轉(zhuǎn)到了 TensorFlow。

我還沒有嘗試過任何分布式的架構(gòu)，但總體上用過 Theano 之后再用 TensorFlow 感覺非常熟悉——甚至更好。對你提到的幾點，回復(fù)如下：

等效的圖形編譯（graph compilation）要快得多；我們用了幾秒而不是幾分鐘。但是它仍然不夠快，如果我們想要將它的大部分添加到我們的 CI 套件（CI suite），但我們不需要等待很長時間來開始訓(xùn)練。

從 Lasagne 轉(zhuǎn)到 TensorFlow 之后，我喜歡 tf.layers 和 tf.contrib.layers 中更高層次的功能；它們?yōu)榻邮軓埩浚╰ensor）并返回張量的功能性 API，因此更容易與「原始」的 TensorFlow 集成。我們可以做普通的張量操作，而不用寫一個層那么麻煩。

在我們使用的模型上，TensorFlow 的速度稍稍快于 Theano（20％-30％）。當?shù)谝淮问褂脮r，我們看到大致相同的性能，并認為這可以接受，但然后我們閱讀 TensorFlow 的性能指南（https://www.tensorflow.org/performance/performance_guide），并切換到 NCHW 并融入批處理規(guī)范（batch norm），然后一切運行得更快了。我猜 Theano 本身就不是很快……

關(guān)于開發(fā)人員的反饋速度：我曾在 TF 的問題區(qū)提出了一些微不足道的問題，但 TF 開發(fā)人員通常在一兩天內(nèi)就回復(fù)我了。

此外，工具是相當好的。TensorBoard 好用，用來表示的時間線（timeline）/跟蹤（trace）的工具也一樣好用。但是我還沒有嘗試新加入的 tfdbg。

TensorFlow 當然也有幾個缺點，例如在實踐中部署到 iOS，但這說來話長。使用 TensorFlow 不是沒有痛苦，但與需要 Python runtime 的 Theano 相比，這還算什么事情嗎？這是相當大的進步。

如果你使用 TensorFlow，我強烈建議你看看 tf.layers 或 TF-Slim。具體的說，tf.layers 本質(zhì)上嵌入了 Keras API。

盡管我不指望任何有意義的性能差異；本帖討論的操作最終定義了一個靜態(tài)計算圖形（computation graph），所以使用像 Keras 這樣的包裝器本身并不增加資源消耗，除了在圖形定義時最小的資源占用，但是如果你原來使用 Theano，你會感到 TensorFlow 的啟動時間快得多（以秒計而不是以分鐘計的編譯速度）。

遵循 TensorFlow 性能指南（TensorFlow performance guide）非常有用。在 DenseNet（L = 40，k = 12）模型上，從默認的 NHWC 和未融入批處理規(guī)范切換到 NCHW 和融入批處理規(guī)范后，我們的每個 epoch 時間都下降了超過 30％。在 WRN-16-4 模型上，我們看到 epoch 時間下降了超過 20％。

badmephisto的回復(fù)：

我認為在深度神經(jīng)網(wǎng)絡(luò)庫的設(shè)計方面，PyTorch 目前已然接近啟發(fā)的高度。

它屬于輕量級；

它目前位于 Python 中；

它使你能夠明確地控制計算。沒有編譯器能自己妄圖變聰明來「幫助你」，或是將你的代碼加速；事實上大多編譯器在調(diào)試中會產(chǎn)生大量麻煩；

它使 GPU 內(nèi)核調(diào)用之上僅有少量（可解釋的）抽象層，而這恰恰是高性能的保證；

也許這是個人偏好，但我得到了與抽象有關(guān)的特定 OCD。每當我要做艱巨的工作時都會很緊張，因為一旦我的未來被泄漏，我便能感覺到它那些無法擺脫且難以忍受的痛苦。相對簡單的事情理應(yīng)在引擎蓋之下發(fā)生的大多數(shù)情況下，這種感覺尤為強烈；

調(diào)試更容易，因為特定代碼中會是特定行（而不是在距離使用大型或生成的 Graph 對象的 sess.run（）很遠的地方）失敗。你的堆棧跟蹤不會填滿三個屏幕來讓你玩「找找錯誤在哪里！」的豎版卷軸游戲；

不存在編譯時間。我無法理解 Theano 用戶是如何處理的，他們一定更有耐心；

你可以直接操作漸變，顯然，做一些事情時可以更容易，也更自然（如在反向傳播過程中的漸變剪輯，或各種「破碎的反向傳播」的有關(guān)想法，就像最近的 Shake Shake reg 命令一樣；的確，我認為你可以用 stop_gradient 破解一個解決方案）；

它對動態(tài)圖的支持從一開始就是自上而下的設(shè)計原則，而非隨之而至的事后想法。并且我們會看到更多的動態(tài)圖表，如做成一大塊 NLP，或是神經(jīng)模塊網(wǎng) ；

它沒有縮進或膨脹你的代碼的顯式會話對象；

它獲得的抽象是正確的：raw numpy - > Tensors（但 GPU 上的 raw numpy 可能對深度學(xué)習(xí)一無所知！）- >變量（它們了解深度學(xué)習(xí)），并且 Modules 或 Optim 等等會稍有益處。

到目前為止，我與 TF 的有關(guān)經(jīng)驗有些膨脹，所以即便是像數(shù)據(jù)驅(qū)動初始化這樣理應(yīng)很簡單的事情，也會用到一些 tricks。當然，TF 的開發(fā)者有他們的一套解決方案，但往往涉及你從未聽說過的 5 個 TensorFlow 函數(shù)的組合。我不記得曾用 Torch 做過這些，又或許我現(xiàn)在做的事情更復(fù)雜。

免責(zé)聲明：我仍行進于對 PyTorch 進行嘗試的漫漫征途中；所以我的經(jīng)驗是基于在 TensorFlow 做了很多復(fù)雜事情，而在 PyTorch 上才剛剛開始的背景上得到的。讓我們看看未來會發(fā)生什么。

jeremyhoward的回復(fù)：

對于 http://course.fast.ai 的第 2 部分，我們從 keras + theano（第 1 部分）切換到 Keras、TensorFlow 和 PyTorch 合用的狀態(tài)。一般而言，使用 PyTorch 總是令人愉快的，主要是因為：

動態(tài)計算使很多事情更加容易，如 seq2seq + attention 的神經(jīng)翻譯很難通過 keras + tf 來實現(xiàn)，但使用 PyTorch 便會很容易；

更容易調(diào)試，因為你可以只使用標準的 PyThon 工具；

PyTorch 讓自定義的實現(xiàn)更加容易，所以你得以將更多時間專注于算法中，這樣往往能夠改進主要性能；

使 Multi-gpu 簡單易懂；

Torch-vision 使加載和變換圖像變得容易。

TensorFlow 的 API 非常荒謬，它在每個階段都會重新發(fā)明輪子，并且要求開發(fā)者學(xué)習(xí)很多本不必要的新概念。然而，開發(fā)者峰會表示這一境況正在改善——而且同時使用 TensorFlow Servin 和 Cloud ML 會提高你的生產(chǎn)力。

Powlerbare的回復(fù)：

我大約在半年前使用 TensorFlow 實現(xiàn)了一些 seq2seq 模型，并意識到為何 TensorFlow 很好用：它的內(nèi)置組件很棒，讓研究變得就像有老師在推動著你一樣容易，而注意與損失函數(shù)就如同噪聲對比估測，等等。倘若我收集基線或修改函數(shù)，一切都會變?nèi)菀住Ｎ乙呀?jīng)習(xí)慣于搜索代碼庫，并確定究竟哪種函數(shù)在運作（如果不小心，某些可選的函數(shù)默認值便會得到不好的結(jié)果）——并且我對基于這些實現(xiàn)的大部分報告結(jié)果非常有信心。

下面是幾點與我所愛的 PyTorch 有關(guān)，而 TensorFlow 卻不會提供的事項：

1）PyTorch 提供了一個強化功能，我很喜歡它。增強功能基本上不會在實現(xiàn)中產(chǎn)生過多資源消耗，能有一些內(nèi)置函數(shù)來調(diào)用 RL 的感覺真棒。

2）我并未大量使用 autograd，因為那時它速度很慢，但人們感覺用它來做一些沒譜的事情很有趣。我是這個范例的死忠粉，因為我沒來由地鐘愛在 numpy 上編寫網(wǎng)絡(luò)。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754