日前，英伟达深度学习项目实习生Dominic Monn在medium上发文总结了他使用PyTorch和TensorFlow的一些体会，在文章中，他从安装、使用、文件、社群等方面简单对比了这两种框架。
他曾是TensorFlow用户，加入英伟达后开始使用PyTorch，下面是的他的一些使用体验：
安装
PyTorch安装起来很容易，也很直接，大家可以通过PIP来安装，也可以直接选择源码安装。PyTorch也提供Docker图，大家可以在项目中把Docker图用作base image。
PyTorch并不像TensorFlow一样已经指定好CPU和GPU，虽然它的这一特征可以让安装更加简单，但如果在项目中想要同时支持GPU和CPU，将会产生更多代码。
使用
PyTorch提供非常Python化的API接口，这与TensorFlow有很大差别，TensorFlow需要先定义所有的张量和图，然后再执行相应的会话操作。虽然PyTorch的这一特性使得代码变多了，但会更加清晰。
PyTorch图必须定义在从PyTorch nn.Module类继承过来的类中，运行图的时候会调用forward()函数，通过这种“约定优于配置”（convention over configuration）的方式，图的位置一直处于可知状态，也不会在余下的代码中定义变量。
你可能会需要一段时间来适应PyTorch中的这种“新”方法，不过如果你以前在深度学习的研究之外用过Python，这种方法对你来说会很直观。
也有一些人这样评价——与TensorFlow相比，PyTorch在许多模型上都有更加优秀的表现。
文件
PyTorch的大部分文档都是完整的，我每次都能成功找到函数或模块的定义。TensorFlow所有的函数都在一个页面，而PyTorch不同于TensorFlow，每个模块只用一个页面。如果你要用Google找一个函数，这会有点困难。
社群
很明显，PyTorch社群不像TensorFlow那么庞大，但很多人都喜欢在业余时间用PyTorch，即使他们工作时使用的是TensorFlow。我认为，一旦PyTorch发布正式版，PyTorch社群会变得更大。在目前，仍然很难找到非常精通PyTorch的人。
不过它的社群也足够大了，如果在官方论坛上提出问题，通常很快就能得到解答。许多优秀神经网络模型也有PyTorch的操作样例了。
工具和辅助功能
虽然PyTorch能提供相当多的工具，但仍然缺少一些非常有用的部分。例如它没有类似于TensorBoard这种非常有用的工具，这会导致很难进行可视化。
此外它也缺失一些常用的辅助功能，比起TensorFlow来说需要我们自己写更多的代码。
总结
PyTorch是TensorFlow之外一个非常好的选择，虽然 PyTorch仍在测试阶段，我希望在可用性、文件和性能方面它能有更多的改变和进步。PyTorch非常Python化，用起来很容易。它的社群活跃，文件齐全，据称它比TensorFlow更快。然而，它的社群比起TensorFlow来说，仍然只是九牛一毛，并且缺失了诸如 TensorBoard等一些非常有用的工具。
雷锋网 AI科技评论注，除了Dominic Monn近日对这两种框架的对比， 斯坦福大学计算机科学博士生Awni Hannun也曾发文撰写了这两个框架之间的主要差异，详情可以参见用PyTorch还是TensorFlow？斯坦福大学CS博士生带来全面解答。
