深度学习笔记4-tensorflow和pytorch
TensorFlow由谷歌大脑开发，并且在谷歌公司中广泛地应用于研究和生产需求。PyTorch是Torch框架的表亲，Torch是基于lua开发的，在Facebook公司里被广泛使用。
（1） TensorFlow被许多研究人员和行业专业人士使用。该框架的文档很齐全，社区活跃，碰到问题基本上都可以在社区中得到解决。Pytorch近几年才被提出，使用度比Tensorflow小，社区要小点，但增长趋势很猛。
（2） TensorFlow需要在模型能够运行之前静态地定义图。与外部世界的所有通信都通过tf.Session对象和tf.Placeholder来执行，这两个张量在运行时会被外部数据替代。在PyTorch中，图的定义则更为动态化：你可以随时定义、随时更改、随时执行节点，并且没有特殊的会话接口或占位符。总体而言，该框架与Python语言集成地更为紧密，并且在大多数时候用起来感觉更加本地化。而在用TensorFlow开发的时候，你会觉得模型是在一堵墙的后面，仅能通过墙上的几个小洞与之通讯。
（3） Tensorflow包含Tensorboard，可视化做的非常好。Pytorch一般是用matplotlib和seaborn来进行可视化。
（4） TensorFlow 支持移动和嵌入式部署，而Pytorch没有这个能力。此外，TensorFlow Serving支持高性能的服务器端部署。
（5） PyTorch像一个框架，可用nn.Module创建复杂的深度学习架构。而纯TensorFlow看起来更像是一个库，而不是框架：所有的操作都在低层次进行，因此你不得不编写大量的样板代码（偏差和权重定义等等）。但现在TensorFlow高层次包装的整个生态环境开始出现，在选择适合任务的框架上有着很大的自由度。
——————————
PyTorch 更适用于研究、爱好者和小规模项目的快速原型开发。TensorFlow 更适合大规模部署，尤其是涉及跨平台和嵌入式部署时。
但就个人而言，我更推荐Pytorch。PyTorch更为清晰，更为python化，让开发者有更好的开发和调试体验。它的nn.Module让你能够以面向对象的方式来定义可重用的模块，这种方法非常灵活非常强大。然后，你可以使用nn.Sequential来组成各种模块。此外，你还可以以函数的形式使用所有的内置模块，这非常方便。总的来说，API的各个方面用起来都很顺手。
参考：
PyTorch vs TensorFlow，哪个更适合你
PyTorch和TensorFlow哪家强：九项对比读懂各自长项短板