自PyTorch出道以来，不断有人表示，发现了这样的趋势：
“学术圈正在慢慢地抛弃TensorFlow，转投PyTorch。”
如今，PyTorch 1.0发布，ICLR 2019也才截稿不久，又是讨论这个问题的好时节。
Reddit上面，有小伙伴用非常低碳的方法观察了一下，这两年的论文用的都是什么框架：
从ICLR 2018到ICLR 2019的投稿来看，TensorFlow、PyTorch和Keras的搜索结果数发生了以下变化。
TensorFlow 228→266
PyTorch 87→252
Keras 42→56
虽然，三者数据皆有上升，但一年之间PyTorch搜索结果涨幅接近200%，好像已经对TensorFlow的宝座产生了威胁。
2017年1月19日，PyTorch第一次公开发布，到今天还不到两年，何以发展得这般蓬勃？
PyTorch可能比较善良
PyTorch的确有亲和力。
一是容易上手。只要熟悉Python，就很容易和PyTorch玩耍在一起了。相比之下，学TensorFlow就像在学一种新的语言，语法很复杂，尤其不适合新手。
二是许多操作都很简洁。比如，Tensor和Numpy之间的互转，可以在PyTorch里优雅地完成，而在TF里就不轻松了。
三是debug方便。PyTorch作为动态图框架的优势就体现了，像给Python代码debug那样。有人说在TF里debug，还没有肉眼看一遍来得快。
四是……
总之，对离开TensorFlow拥抱PyTorch的人类来说，TF的槽点不胜枚举。
不过，研究人员选择PyTorch的原因，主要是它非常适合小型项目，适合快速的原型设计，诸如此类。
相对而言，TensorFlow就更适合大规模部署，特别是在需要跨平台部署和嵌入式部署的时候。静态图会方便部署。
还是离不开TensorFlow？
即便如此，作为研究人员，也还是有理由继续和TensorFlow在一起。
上个月，名叫Jeff Hale的数据科学家，做过一次深度学习框架排行榜。
他收集了各式各样的数据，其中一项就是GitHub活跃度：
TF的标星 (Star) 、分叉 (Fork) 、关注量 (Watch) 和贡献者 (Contributor) 四项指标，对手皆是望尘莫及。
普及率当仁不让，资源也是最多，许多模型都能找到TF的代码实现。用户量大，遇到问题也容易找到解决的方法。
成熟的生态系统，大概就是这个样子吧。就算有诸多不便，依然是家园。
PyTorch 1.0三大更新
昨天，Facebook在F8大会上发布了PyTorch 1.0 rc1。这次重大更新，主要包括三点：
· 加了个新的混合前端 (Hybrid Front End) ，支持从Eager模式到图形模式的追踪，填补研究和生产部署之间的鸿沟；
· 加了个改进过的torch.distributed库，让用户能在Python和C++环境之间，更快地训练模型；
· 加了个Eager模式C++接口，来支持那些需要高性能、低延时才能完成的研究。
原文发布时间为：2018-10-4
本文作者：关注前沿科技
