PyTorch 是一个纯命令式的深度学习框架。它因为提供简单易懂的编程接口而广受欢迎，而且正在快速的流行开来。例如 Caffe2 最近就并入了 PyTorch。
可能大家不是特别知道的是，MXNet 通过 ndarray 和 gluon 模块提供了非常类似 PyTorch 的编程接口。本文将简单对比如何用这两个框架来实现同样的算法
安装
PyTorch 默认使用 conda 来进行安装，例如
而 MXNet 更常用的是使用 pip。我们这里使用了 --pre 来安装 nightly 版本
多维矩阵
对于多维矩阵，PyTorch 沿用了 Torch 的风格称之为 tensor，MXNet 则追随了 NumPy 的称呼 ndarray。下面我们创建一个两维矩阵，其中每个元素初始化成 1。然后每个元素加 1 后打印。
PyTorch:
MXNet:
忽略包名的不一样的话，这里主要的区别是 MXNet 的形状传入参数跟 NumPy 一样需要用括号括起来。
模型训练
下面我们看一个稍微复杂点的例子。这里我们使用一个多层感知机（MLP）来在 MINST 这个数据集上训练一个模型。我们将其分成 4 小块来方便对比。
读取数据
这里我们下载 MNIST 数据集并载入到内存，这样我们之后可以一个一个读取批量。
PyTorch:
MXNet:
这里的主要区别是 MXNet 使用 transform_first 来表明数据变化是作用在读到的批量的第一个元素，既 MNIST 图片，而不是第二个标号元素。
定义模型
下面我们定义一个只有一个单隐层的 MLP 。
PyTorch:
MXNet:
我们使用了 Sequential 容器来把层串起来构造神经网络。这里 MXNet 跟 PyTorch 的主要区别是：
不需要指定输入大小，这个系统会在后面自动推理得到全连接和卷积层可以指定激活函数需要创建一个 name_scope 的域来给每一层附上一个独一无二的名字，这个在之后读写模型时需要我们需要显示调用模型初始化函数。
大家知道 Sequential 下只能神经网络只能逐一执行每个层。PyTorch 可以继承 nn.Module 来自定义 forward 如何执行。同样，MXNet 可以继承 nn.Block 来达到类似的效果。
损失函数和优化算法
PyTorch:
MXNet:
这里我们使用交叉熵函数和最简单随机梯度下降并使用固定学习率 0.1
训练
最后我们实现训练算法，并附上了输出结果。注意到每次我们会使用不同的权重和数据读取顺序，所以每次结果可能不一样。
PyTorch
MXNet
MXNet 跟 PyTorch 的不同主要在下面这几点：
不需要将输入放进 Variable， 但需要将计算放在 mx.autograd.record() 里使得后面可以对其求导不需要每次梯度清 0，因为新梯度是写进去，而不是累加step 的时候 MXNet 需要给定批量大小需要调用 asscalar() 来将多维数组变成标量。这个样例里 MXNet 比 PyTorch 快两倍。当然大家对待这样的比较要谨慎。
下一步
更详细的 MXNet 的教程：http://zh.gluon.ai/欢迎给我们留言哪些 PyTorch 的方便之处你希望 MXNet 应该也可以有
原文发布时间为：2018-04-3
本文作者：李沐
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
原文链接：【李沐】十分钟从 PyTorch 转 MXNet
