通过这四个方面的对比，作者最后得出结论，TensorFlow 在大多数领域仍然处于领先地位，但 PyTorch 正在取得进展并逐渐缩小差距。
其实，这已经不是这位作者第一次调研深度学习框架了。从 2018 年到 2020 年，他先后进行过三次调查研究并发布了相关报告。从这些报告中，我们可以看出深度学习框架在多个维度的热度演变史。
2018：TensorFlow 碾压 PyTorch
Jeff Hale 的第一份调研结果发布于 2018 年 9 月。他在那次调研中发现，TensorFlow 是当时的绝对冠军。在 GitHub 活跃度、谷歌搜索量、Medium 文章数、亚马逊书籍和 arXiv 论文等维度上所占的比重都是最大的。此外，TensorFlow 还拥有最多的开发者用户，相关的网上职位描述也是最多的。
2018 年调研得出的深度学习框架实力得分排名。
相比之下，当时的 PyTorch 只能排到第三，得分比当时的第二名 Keras 还要矮上一截。
各个框架在 2018 年调研结果中的加权得分。从中可以看出，TensorFlow 在绝大多数指标中都是绝对冠军，而 PyTorch 大多居于第三名。
2019：PyTorch 火力全开，TensorFlow 增长乏力
2019 年 4 月，Jeff Hale 发布了第二份调查结果。这次，他调研了几个框架在过去 6 个月（此次调研与上次调研之间的时间间隔）里的增长情况。结果发现，TensorFlow 仍然是当时需求量最大、增长最快的框架，但 PyTorch 也不容小觑，在过去的六个月增速超过了原来的第二名 Keras。
2019 年调研得出的深度学习框架增长排名。
值得注意的是，当时的 PyTorch 在职位数量增长方面尤其亮眼，与 TensorFlow 之间的差距非常小。而且，除了领英之外，PyTorch 在所有求职网站上的职位增加量都超过了 TensorFlow。
而在谷歌搜索相对数量方面，TensorFlow 当时已经出现了负增长。这表示，在过去六个月，TensorFlow 的相对搜索数量减少，而 PyTorch 的相对搜索数量增加。
2020：PyTorch 顶会独领风骚，职场优势追赶 TensorFlow
转眼到了 2020 年，框架之争只剩下 PyTorch 和 TensorFlow 两个实力玩家。所以这次，作者把调研的全部精力都放在了这两个框架上。
在这次调研进行时，两个框架已经越来越像了，即出现了「融合」趋势。二者现在都可以在动态 eager execution 模式或静态图模式下运行。
截至目前，PyTorch 已经更新到了 1.4，增加了不少新特性来迎合业界，在谷歌云 TPU 上运行起来也更加容易。此外，PyTorch 的社区也在不断扩大，除了最近的 OpenAI，深度学习开源框架 Chainer 的维护者 Preferred Networks（PFN）也于去年底宣布，该团队今后将不再进行 Chainer 的重大升级，今后的研究方向将转向 PyTorch。
TensorFlow 2.0 也引入了不少新的改进，使得 API 更加精简，对大脑更加友好。此外，TensorFlow 紧密集成了 Keras 作为其前端和高级 API。
与 PyTorch 相比，TensorFlow 在产品和边缘设备深度学习中仍然拥有更加丰富的功能，但是 PyTorch 的功能也在逐渐完善。
在此背景下，此次调研从以下四个评估指标着手，即在线职位数量、顶会论文中出现次数、在线搜索结果和开发者使用情况。
在线职位数量
2020 年 1 月 26 日，作者搜索了 Indeed、Monster、SimplyHired 和 LinkedIn 四个（美国）求职网站中关于 TensorFlow 和 PyTorch 的关键词。
搜索结果如下图所示，TensorFlow 在每个求职网站出现的次数大约是 PyTorch 的两倍。
以百分比计数展示结果如下：
在 10 个月前的调研结果（即 2019 年调研结果）中，TensorFlow 出现在职位列表中的次数是 PyTorch 的三倍，如今差距进一步缩短，降到了两倍。
顶会论文中的出现次数
当前，PyTorch 在顶会论文中出现的次数最多。如下图所示，前 PyTorch 实习生 Horace He 做了一个图表，展示了各大顶会（2017 年-2019 年）论文中，PyTorch 出现次数在 TensorFlow/PyTorch 总出现次数中的占比情况：占比超过 50% 意味着在该顶会论文中 PyTorch 出现的次数多于 TensorFlow。从图中可以看出，PyTorch 在各大顶会中的出现次数几乎都超过了 TensorFlow。
图源：https://chillee.github.io/pytorch-vs-tensorflow/
下图展示了 PyTorch 和 TensorFlow 在 NeurIPS 会议论文中（2016 年-2019 年）的直观对比和趋势发展，实线代表 PyTorch，虚线代表 TensorFlow：其中，在 2019 NeurIPS 会议论文中，PyTorch 出现 166 次，TensorFlow 出现 74 次，是后者的两倍之多；而在 2018 年 NeurIPS 会议论文中，PyTorch 的出现次数还是少于 TensorFlow 的。这些可以看出两种框架近年来的发展趋势。
图源：https://chillee.github.io/pytorch-vs-tensorflow/
在线搜索结果
作者通过 Google Trends 找出了 2017 年 1 月 26 日至 2020 年 1 月 26 日期间，PyTorch（软件）和 TensorFlow（计算机应用）的相对搜索量。
下图是谷歌搜索结果（Google Search Results）线性趋势线，蓝色代表 TensorFlow，红色代表 PyTorch。从图中可以看出，TensorFlow 的性对搜索量呈下降趋势，而 PyTorch 呈增长趋势，二者差距越来越小。
图源：https://public.tableau.com/profile/jeff.hale6436#!/vizhome/shared/SCFBWY2SP
开发者使用情况
在 2019 年初的 Stack Overflow 开发者调研中，10% 的受访者使用 TensorFlow，3.3% 的受访者使用 Torch/PyTorch。专业开发人员的使用占比情况同样如此（9.4%vs 2.9%）。但鉴于数据取自 2019 年初，现在的真实情况可能有所变化。
总之，在线职位数量中，TensorFlow 的出现次数依然多于 PyTorch，但差距正在缩小；PyTorch 在顶会论文中出现的次数一直处于领先地位，并在谷歌搜索结果中进一步缩小了与 TensorFlow 的差距；在最近一次的 Stack Overflow 开发者调研中，TensorFlow 的使用占比依然是 PyTorch 的三倍。
最后，作者表示，他关于 TensorFlow 和 PyTorch 两种深度学习框架的调研还会继续下去，但目前仍不确定未来两年选择哪种框架最合适。但他认为，TensorFlow 是更加安全的选择。
