作为谷歌AlphaGo背后的强大推动力，于2015年底开源的TensorFlow一经推出便受到极大关注。目前在所有机器学习框架中，如果它宣称使用普及率第二，没人敢说自己是第一。
虽说有谷歌的背书，社区好，资源多，但同学们在使用TensorFlow的过程中，常常会一不小心跳进坑里，严重影响体验。
近日一位同学就在知乎上提了一个问题【TensorFlow有哪些令人难以接受的地方？】，表达了TensorFlow在使用过程中的不便，顺便问了大家有没有什么更优雅的方法绕过那些坑。短短一个月的时间，该问题的浏览量已经达到10万+，关注者也达上千人。
作为问题的提出者，这位同学也试着抛砖引玉作了回答，他表示提出这个问题的初衷是希望引发大家对TF少一些盲目的推崇，多些理性的思考和进一步的讨论。而在全部42个回答中，雷锋网AI科技评论也总结了一些有意思的现象。
TensorFlow的“吐槽大会”
结合知乎上网友的回答，以及业内相关人士对TensorFlow的评价，AI科技评论整理了TensorFlow目前被“吐槽”频率比较高的一些问题。
文档和接口混乱
因为它的API发展太快，经常更新，所以有一些常用的函数方法会不断挪位置，例如rnn就从之前的nn接口移到contrib接口，写代码时需要常常翻阅文档。底层接口写起来繁琐，高层接口不灵活，且封装混乱。
默认占用所有GPU的所有内存
在实验过程中，并不是所有人都有多块GPU可用。tf在GPU不可用时会自动改在CPU上跑，这样一方面会导致速度变慢，另一方面，在共用显卡的情况下，你根本就不知道是在CPU上跑。虽说tf会打印设备信息，但是tf启动的时候输出的信息太杂了，没法每次都仔细看一遍。
使用繁琐
明明有其他更通用的模块能用，可事无巨细都要去使用tf的模块。例如虽然有默认的python库argparse可以用，但在很多tf示例代码中使用tf.app.flags。
做流程控制非常难以理解
语句中存在条件分支，例如当a>0时执行一步，a<0时执行另一步，如果有多层的这种条件嵌套会很难操作。
调试困难
TensorFlow作为静态图框架，api经常变，打印中间结果必须要借助Session运行才能生效，或者学习额外的tfdbg工具。而如果是用PyTorch这样的动态框架的话，就不需要多学一个额外的工具，只需要用正常的Python调试工具如ipdb就可以了。
综合看来，在使用TF的过程中，确实存在很多不够人性化的地方。不过，每个工具都不是完美的，虽说TF缺陷很多，但是对框架使用情况的统计数据最能说明问题，正所谓“TF虐我千万遍，我待TF如初恋”嘛。
TF普及率遥遥领先
下表为各个开源框架在GitHub上的数据统计（数据统计于 2017 年 9月 6 日），可以看到 TensorFlow 在 star 数量、fork 数量、contributor 数量这三个数据上都完胜其他对手。
此外，特斯拉AI负责人Andrej Karpathy2017年初通过分析过去五年arxiv上的论文数据，对比了各种深度学习框架的使用情况，看图说话：
下图是从2012年1月到2017年3月各框架的使用随时间的发展趋势。
下图对比了2017年3月在arxiv上提交的论文中提到深度学习框架的情况。
结合上面两张图，可以看到，自15年底谷歌开源TensorFlow以来，它的用户数增长稳定，而且一直处于高速的增长中，到17年3月，已经处于不可撼动的地位。（pytorch于2017年1月才开源，此处不做对比）
AI科技评论也总结了TensorFlow的几点优势。
背靠谷歌这座大山，目前TensorFlow的文档最全，资源最多，很多模型都有tf的源码实现。而且用户基数庞大，一旦出问题很容易找到解决方案。
TensorFlow有功能强大的可视化组件TensorBoard，能可视化网络结构和训练过程，对于观察复杂的网络结构和监控长时间、大规模的训练很有帮助。
虽然TensorFlow是静态图操作，会给调试带来困难，但会大大方便部署。除了caffe，目前还没有其他架构能支持静态图操作，但是caffe编程要比TF复杂。
而有意思的是，caffe作者贾扬清也在知乎上为TensorFlow正名。
他提到，TF是目前唯一一个在核心设计层面上支持dynamic control flow的框架，也是极少几个经历大规模多应用部署考验的框架之一。TensorFlow能直面实际应用中的限制条件，部署到真正核心的产品里面，它支持大规模推荐系统和移动端产品的部署，而这点对于很多框架来说没法实现。
“TF的确难，但是它给你提供了真正可以产品化的可能性。很多问题只看见一棵树的时候简单，看见森林的时候，解决方法就不一样了。”
细数完优点和缺点，问题来了。对于哪些实在忍受不了TensorFlow缺点的人，在考虑是否应该换个框架了。而对于那些还没入坑的同学，到底该用哪种框架？
当前主流框架大对比
主流框架的对比一直是个长期被讨论的话题，相关的帖子和文章也层出不穷。而在今年三月的斯坦福大学cs231n中，李飞飞、Justin Johnson和 Serena Yeung 也对当前几种主流框架进行了对比，并给出了建议。
TensorFlow虽然不完美，但是利于部署，有稳定的社群。此外它还拥有很多库，比如Keras和Sonnet等。
PyTorch很适合用于研究，但是它很新，因此你可能有很多坑要填。
除了TensorFlow，caffe、caffe2也可以用于产品部署。
手机端可以考虑TensorFlow或caffe2。
此外，北大的吴秉哲同学在知乎上也给出了很好的解答，他之前用Pytorch，Tensorflow，Mxnet这三个模型都做过项目，认为应该根据自己的需求选择模型。
在需要快速验证一下自己某些想法的时候，我一般会用Pytorch快速实现，而且Pytorch的底层计算的代码是C写的，并且和Torch共用一套底层计算代码，想要阅读原码并做定制化修改比较容易上手。
在做一些数据量比较大的long term的训练的时候，我会用tensorflow，比如它提供的tensorboard的训练监督，还有自带的profiling和debug功能比较方便，还有个原因就是它可以很方便的把模型deploy到手机上，现在caffe2出来了，或许可以是一个比较好的替代。
另外选择框架的时候还得参考一下你所做的项目，比如做person re id大多数的工作都是基于caffe修改的，这个时候需要考虑迁移这些工作到其他框架下时不时会遇到坑。
如果做物体定位，Mxnet已经提供了一些操作的高效实现。
他还强调，“现在框架迭代得也越来越快，mxnet在近期推出gluon的接口，API仿照Pytorch设计。不久之后Tensorflow也会有相应的接口推出。”
总结
很多同学在实验过程中，总是对框架过多考虑。这个框架的速度怎么样？好用程度程度怎么样？为什么文档这么乱？为什么用起来这么不顺手？随之而来就是一系列的吐槽。而他们往往忽略了最关键的东西，框架只是个手段，重要的是你想解决的是什么问题，以及你解决问题的思路。
此处借用贾扬清一句话，“框架就是个框架，最终要能出活。”
