文末有迪迦给大家准备的人工智能学习资料福利！
先说结论：目前Tensorflow还没有被Pytorch比下去，但之后极大概率被比下去。
作为谷歌tensorflow某项目的Contributor，已经迅速弃坑转向Pytorch了。
1.目前，在学术界Pytorch已经超越Tensorflow
在题目的补充内容中，包含大量的“学术界Pytorch比Tensorflow更有优势”的证据，因此不再多说，直接看题目中的数据即可，Pytorch因其简单易上手，而被广大Researcher所使用。
道理很简单，Research的目的是快速实现、验证自己的想法，而不太注重兼容、部署等问题，因此多数人奉行“怎么快怎么来”的策略；同样，只有能够快速验证自己idea的Researcher才能不被实现而耽误太多时间，更有机会发好的论文。
因此，学术界Pytorch未来会一枝独秀。
2.目前，在工业界Tensorflow依旧无可取代
工业界更注重部署，而Tensorflow的生态更有利于快速部署。
以Nvidia支持的TensorRT为例子，与Pytorch相比，英伟达官方不仅是是支持了Tensorflow，而且给出了多种模型的基于TensorRT的多版本模型，除此之外，还给出了不同模型在最常用的嵌入式板子TX2上的算法测试时间。
所以，如果作为一个工程人员，为了更快速给出方案、更快速跑通流程、更快速完成任务，最好的方式就是在现有的生态基础上，进行算法组合和调优，以满足特定任务。
而如果采用部署生态尚不成熟的Pytorch，可能遇到目前TensorRT不支持某些操作、TensorRT的优化没达到Tensorflow的水平，甚至出了一些莫名其妙的Bug然后花了好几天才解出来甚至解不出来。
所以，目前的部署生态，Tensorflow要比Pytorch老练很多。
3.未来，Tensorflow无法打入学术界
Tensorfow未来是无法打入学术界的。一个失了人心的框架，想力挽狂澜的再找回人心，比重新开始还要艰难。
除此之外，Tensorflow 2.0更值得令人批判，如果图它的Eager模式，我为何不使用Pytorch？图它的历史包袱吗？都是动态图，Pytorch清晰明了简洁，也没有那么多老旧历史需要绕道。而使用Tensorflow时候，总是一不小心就发现还是绕回了原来的旧版本上。
4.未来，Tensorflow可能也会失掉工业界
Tensorflow在工业界的地位，也没有那么牢固，因为生态总归是人构建的。
当学术界疯狂扑入Pytorch，对新模型的适配等工作，自然会倾向于Pytorch了。
有些项目做了Pytorch转Tensorflow的工具，到时候难道Tensorflow，就只用来部署了？
5. Tensorflow的劣势
Tensorflow静态图虽说上手难了点，但这并非1.x版本不好用的主要原因。Tensorflow 1.x不好用的主要原因在于API混乱。
tf.nn中算是基本操作，可tf.layer、tf.keras、还有tf.contrib里面一坨东西tf.contrib.layer、slim等等，这么多冗余的Module，其实都只是基本的神经网络层，contrib里面额外有一些特殊的。
可是这种冗余极大降低了Tensorflow的生态质量。有的人习惯用tf.layer，有的喜欢nn,官方还一直用slim，不少人也用tf.contrib里面的很多东西。这种混乱使得Tensorflow的生态用起来并没有那么容易。
记得刚用tensorflow不久时候，对contrib里面的东西了解也不多。突然看代码遇到slim这狗东西，感觉简直了。谷歌官方的代码里，明明就一个MobileNet，就不能不用contrib里面的东西么？我就不知道有什么骚操作需要用到这里的东西，说好的contrib里面的东西不稳定呢？不稳定还总是用。
到了Tensorflow 2.0后，情况并没有好转。为了兼容1.x，谷歌也是想方设法的搞。可是，2.x的生态其实连Pytorch的车尾灯都看不到。图个啥？图时不时发觉还是1.x的生态好？
还不如坚守静态图，然后好好梳理一下自己的API！
总结，
Pytorch依旧上升，而tensorflow的混乱会使得tensorflow会优势渐失，倒向动态图的tensorflow，只会加速自己的消亡。
小福利：领完再看！迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）
只需要你点个关注，然后扫码添加助手小姐姐VX即可无套路领取！
扫码添加即可
作者：土豆变成泥
链接：https://www.zhihu.com/question/350445991/answer/882643842
来源：知乎