TensorFlow和PyTorch是兩個最受歡迎的開源深度學(xué)習(xí)框架，這兩個框架都為構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型提供了廣泛的功能，并已被研發(fā)社區(qū)廣泛采用。但是作為用戶，我們一直想知道哪種框架最適合我們自己特定項目，所以在本文與其他文章的特性的對比不同，我們將以實(shí)際應(yīng)用出發(fā)，從性能、可伸縮性和其他高級特性方面比較TensorFlow和PyTorch。

01性能

在選擇深度學(xué)習(xí)框架時，一個關(guān)鍵的考慮因素是你構(gòu)建和訓(xùn)練的模型的性能。

TensorFlow和PyTorch都進(jìn)行了性能優(yōu)化，這兩個框架都提供了大量的工具和技術(shù)來提高模型的速度。

就原始性能而言，TensorFlow比PyTorch更好一些。這兩個框架之間的一個關(guān)鍵區(qū)別是使用靜態(tài)計算圖而不是動態(tài)計算圖。在TensorFlow中，在模型訓(xùn)練之前，計算圖是靜態(tài)構(gòu)造的。這使得TensorFlow可以通過分析圖并應(yīng)用各種優(yōu)化技術(shù)來更有效地優(yōu)化圖的性能。

而PyTorch使用動態(tài)計算圖，這意味著圖是在訓(xùn)練模型時動態(tài)構(gòu)建的。雖然這可能更靈活，更容易使用，但在某些情況下也可能效率較低。

但是記住這一點(diǎn)很重要

TensorFlow和PyTorch之間的性能差異相非常小，這是因?yàn)檫@兩個框架都對性能進(jìn)行了優(yōu)化，并提供了許多工具和方法來提高模型的速度，在很多情況下根本發(fā)現(xiàn)不了他們的區(qū)別。

除了使用靜態(tài)與動態(tài)計算圖之外，還有許多其他因素會影響模型的性能。這些因素包括硬件和軟件環(huán)境的選擇、模型的復(fù)雜性以及數(shù)據(jù)集的大小。通過考慮這些因素并根據(jù)需要應(yīng)用優(yōu)化技術(shù)，可以使用TensorFlow或PyTorch構(gòu)建和訓(xùn)練高性能模型。

除了原始性能，TensorFlow和PyTorch都提供了大量的工具和方法來提高模型的速度：

TensorFlow提供了多種優(yōu)化方法，可以極大地提高模型的性能，例如自動混合精度和XLA。

XLA(加速線性代數(shù)):TensorFlow包括一個稱為XLA的即時(JIT)編譯器，它可以通過應(yīng)用多種優(yōu)化技術(shù)來優(yōu)化模型的性能，包括常數(shù)折疊、代數(shù)簡化和循環(huán)融合。要啟用XLA，可以使用tf.config.optimizer.set_jit函數(shù)。

TFX (TensorFlow Extended): TFX是一套用于構(gòu)建和部署機(jī)器學(xué)習(xí)管道的庫和工具，包括用于數(shù)據(jù)處理、模型訓(xùn)練和模型服務(wù)的工具。TFX可以通過自動化所涉及的許多步驟，更有效地構(gòu)建和部署機(jī)器學(xué)習(xí)模型。

tf.function函數(shù)裝飾器可以將TensorFlow函數(shù)編譯成一個圖，這可能比強(qiáng)制執(zhí)行函數(shù)更快，可以利用TensorFlow的優(yōu)化技術(shù)來提高模型的性能。

PyTorch通過使用torch.autograd 和torch.jit等提供了優(yōu)化模型的方法，它提高模型的有效性

torch.autograd.profiler：通過跟蹤 PyTorch 模型的各種元素使用的時間和內(nèi)存量，可以幫助找到瓶頸和代碼中需要改進(jìn)的地方。

torch.nn.DataParallel：torch.nn.DataParallel 類可跨多個設(shè)備（例如 GPU）并行訓(xùn)練 PyTorch 模型。通過使用 DataParallel，可以利用多個設(shè)備來增加模型的推理效率。

torch.jit：使用即時 (JIT) 編譯器優(yōu)化 PyTorch 模型。torch.jit 將模型編譯成靜態(tài)計算圖，與動態(tài)圖相比可以更有效地進(jìn)行優(yōu)化。

靜態(tài)與動態(tài)計算圖定義的編碼示例:

如前所述，TensorFlow在原始性能方面比PyTorch略有優(yōu)勢，這是由于它的靜態(tài)計算圖。

下面是一個在TensorFlow中構(gòu)建前饋神經(jīng)網(wǎng)絡(luò)的簡單例子:

 import tensorflow as tf
 
 # Define the model
 model = tf.keras.Sequential([
     tf.keras.layers.Dense(64, activation='relu', input_shape=(64,)),
     tf.keras.layers.Dense(64, activation='relu'),
     tf.keras.layers.Dense(10, activation='softmax')
 ])
 
 # Compile the model
 model.compile(optimizer='adam',
               loss='sparse_categorical_crossentropy',
               metrics=['accuracy'])
 
 # Fit the model
 model.fit(x_train, y_train, epochs=5)

下面是在PyTorch中實(shí)現(xiàn)和訓(xùn)練的相同模型:

 import torch
 import torch.nn as nn
 import torch.optim as optim
 
 # Define the model
 class Net(nn.Module):
     def __init__(self):
         super(Net, self).__init__()
         self.fc1 = nn.Linear(64, 64)
         self.fc2 = nn.Linear(64, 64)
         self.fc3 = nn.Linear(64, 10)
     def forward(self, x):
         x = self.fc1(x)
         x = self.fc2(x)
         x = self.fc3(x)
         return x
 
 # Create the model instance
 model = Net()
 
 # Define the loss function and optimizer
 criterion = nn.CrossEntropyLoss()
 optimizer = optim.Adam(model.parameters())
 
 # Training loop
 for epoch in range(5):
     # Forward pass
     output = model(x_train)
 
     loss = criterion(output, y_train)
 
     # Backward pass and optimization step
     optimizer.zero_grad()
     loss.backward()
     optimizer.step()

這兩個例子都展示了如何構(gòu)建和訓(xùn)練一個簡單的前饋神經(jīng)網(wǎng)絡(luò)，雖然方法不同但是他們的性能基本卻相同。對于性能的對比，目前來說兩個框架基本相同，差異可以忽略不計。

02可伸縮性

在選擇深度學(xué)習(xí)框架時，另一個重要考慮因素是可伸縮性。隨著模型的復(fù)雜性和規(guī)模的增長，需要一個能夠處理不斷增長的計算需求的框架。

這兩個框架都提供了擴(kuò)展模型的策略，但它們處理問題的方式略有不同。

TensorFlow在設(shè)計時考慮了可伸縮性，并提供了許多用于分布式訓(xùn)練和部署的工具。

例如，TensorFlow 的 tf. distribute API 可以輕松地跨多個設(shè)備和服務(wù)器分發(fā)訓(xùn)練，而 TensorFlow Serving 可以將經(jīng)過訓(xùn)練的模型部署到生產(chǎn)環(huán)境。

PyTorch也提供用于分布式培訓(xùn)和部署的工具，但重點(diǎn)更多地放在研究和開發(fā)上，而不是生產(chǎn)環(huán)境。

PyTorch 的 torch.nn.DataParallel 和 torch.nn.parallel.DistributedDataParallel 類可以跨多個設(shè)備并行訓(xùn)練，而 PyTorch Lightning 庫（非官方）為分布式訓(xùn)練和部署提供了一個高級接口。

TensorFlow

tf.distribute.Strategy：tf.distribute.Strategy API 可跨多個設(shè)備和機(jī)器并行訓(xùn)練 TensorFlow 模型。有許多不同的策略可用，包括 tf.distribute.MirroredStrategy，它支持在單臺機(jī)器上的多個 GPU 上進(jìn)行訓(xùn)練，以及 tf.distribute.experimental.MultiWorkerMirroredStrategy，它在具有多個 GPU 的多臺機(jī)器上提供訓(xùn)練。

tf.data.Dataset：可以為訓(xùn)練構(gòu)建了高效且高度并行化的數(shù)據(jù)管道。通過使用 tf.data.Dataset，可以輕松地并行加載和預(yù)處理大型數(shù)據(jù)集，這可以模型擴(kuò)展到更大的數(shù)據(jù)集。

tf.keras.layers.Normalization：tf.keras.layers.Normalization 層實(shí)時規(guī)范化輸入數(shù)據(jù)，這可能有助于提高模型的性能。應(yīng)用歸一化可以減少大輸入值的影響，這可以幫助模型更快地收斂并獲得更好的性能。

tf.data.Dataset.interleave：通過對數(shù)據(jù)并行應(yīng)用函數(shù)，再次并行處理輸入數(shù)據(jù)。這對于數(shù)據(jù)預(yù)處理等任務(wù)非常有用，在這些任務(wù)中您需要對數(shù)據(jù)應(yīng)用大量轉(zhuǎn)換。

Pytorch

torch.nn.parallel.DistributedDataParallel：torch.nn.parallel.DistributedDataParallel 類在多個設(shè)備和機(jī)器上并行訓(xùn)練 PyTorch 模型。但是需要使用torch.nn.parallel.DistributedDataParallel.init_process_group 設(shè)置分布式訓(xùn)練環(huán)境。

torch.utils.data.DataLoader：創(chuàng)建一個數(shù)據(jù)迭代器，用于并行處理數(shù)據(jù)的加載和預(yù)處理。

torch.utils.data.distributed.DistributedSampler：類似于 torch.utils.data.DistributedSampler，但設(shè)計用于與 DistributedDataParallel 類一起使用。通過使用 DistributedSampler，可以確保在使用DistributedDataParallel 進(jìn)行訓(xùn)練時，每個設(shè)備都會收到平衡的數(shù)據(jù)樣本。

通過利用這些函數(shù)和類，可以將 TensorFlow 和 PyTorch 模型擴(kuò)展到更大的數(shù)據(jù)集和更強(qiáng)大的硬件，構(gòu)建更準(zhǔn)確、更強(qiáng)大的模型。

下面介紹了提高可伸縮性的兩種不同方法。

TensorFlow的第一個例子使用了tf.distribute. mirrredstrategy:

 import tensorflow as tf
 
 # Define the model
 model = tf.keras.Sequential([
     tf.keras.layers.Dense(64, activation='relu', input_shape=(64,)),
     tf.keras.layers.Dense(64, activation='relu'),
     tf.keras.layers.Dense(10, activation='softmax')
 ])
 
 # Compile the model
 model.compile(optimizer='adam',
               loss='sparse_categorical_crossentropy',
               metrics=['accuracy'])
 
 # Define the distribution strategy
 strategy = tf.distribute.MirroredStrategy()
 
 # Load the dataset
 dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(64)
 
 # Define the training loop
 with strategy.scope():
     for epoch in range(5):
         for x_batch, y_batch in dataset:
           model.fit(x_batch, y_batch)

在PyTorch使用 torch.nn.DataParallel :

 import torch
 import torch.nn as nn
 import torch.optim as optim
 
 # Define the model
 class Net(nn.Module):
     def __init__(self):
         super(Net, self).__init__()
         self.fc1 = nn.Linear(64, 64)
         self.fc2 = nn.Linear(64, 64)
         self.fc3 = nn.Linear(64, 10)
    
     def forward(self, x):
         x = self.fc1(x)
         x = self.fc2(x)
         x = self.fc3(x)
         return x
 
 # Create the model instance and wrap it in DataParallel
 model = nn.DataParallel(Net())
 
 # Define the loss function and optimizer
 criterion = nn.CrossEntropyLoss()
 optimizer = optim.Adam(model.parameters())
 
 # Training loop
 for epoch in range(5):
     # Forward pass
     output = model(x_train)
     loss = criterion(output, y_train)
     
     # Backward pass and optimization step
     optimizer.zero_grad()
     loss.backward()
     optimizer.step()

這兩個例子都展示了如何在多個設(shè)備上并行訓(xùn)練，但TensorFlow對于分布式訓(xùn)練的支持要比Pytorch更好一些。

03高級的特性

除了性能和可伸縮性之外，這兩個框架還提供了許多項目相關(guān)的高級特性。

例如，TensorFlow擁有強(qiáng)大的工具和庫生態(tài)系統(tǒng)，包括用于可視化的TensorBoard和用于模型部署和服務(wù)的TensorFlow Extended。

PyTorch也多個高級特性，一般都會命名為 torchXXX，比如torchvision，torchaudio等等

我們以TensorBoard為例介紹兩個庫的使用，雖然TensorBoard是TensorFlow的一部分，但是Pytorch也通過代碼部分兼容了數(shù)據(jù)部分的發(fā)送，也就是說使用Pytorch也可以往TensorBoard寫入數(shù)據(jù)，然后通過TensorBoard進(jìn)行查看。

TensorFlow 在訓(xùn)練時使用TensorBoard的callback可以自動寫入。

 import tensorflow as tf
 
 # Define the model
 model = tf.keras.Sequential([
     tf.keras.layers.Dense(64, activation='relu', input_shape=(64,)),
     tf.keras.layers.Dense(64, activation='relu'),
     tf.keras.layers.Dense(10, activation='softmax')
 ])
 
 # Compile the model
 model.compile(optimizer='adam',
               loss='sparse_categorical_crossentropy',
               metrics=['accuracy'])
 
 # Define a TensorBoard callback
 tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='logs')
 
 # Fit the model
 model.fit(x_train, y_train, epochs=5, callbacks=[tensorboard_callback])

Pytorch需要自行代碼寫入：

 import numpy as np
 from torch.utils.tensorboard import SummaryWriter
 
 writer = SummaryWriter(comment='test_tensorboard')
 for x in range(100):
     writer.add_scalar('y=2x', x * 2, x)
     writer.add_scalar('y=pow(2, x)',  2 ** x, x)
     writer.add_scalars('data/scalar_group', {"xsinx": x * np.sin(x),
                                              "xcosx": x * np.cos(x),
                                              "arctanx": np.arctan(x)}, x)
 writer.close()

在高級特性中我覺得最主要的就是TensorFlow 中引入了Keras，這樣只需要幾行代碼就可以完成完整的模型訓(xùn)練

 # Compile the model
 model.compile(optimizer='adam',
               loss='sparse_categorical_crossentropy',
               metrics=['accuracy'])
 model.fit(x_train, y_train, epochs=5)

而Pytorch還要手動進(jìn)行損失計算，反向傳播

     output = model(x_train)
     loss = criterion(output, y_train)
     
     # Backward pass and optimization step
     optimizer.zero_grad()
     loss.backward()
     optimizer.step()

雖然這樣靈活性很高，但是應(yīng)該有一個像Keras這樣的通用方法（TensorFlow 也可以手動指定計算過程，并不是沒有），所以在這一部分中我覺得TensorFlow要比Pytorch好很多。

當(dāng)然也有一些第三方的庫來簡化Pytorch的訓(xùn)練過程比如PyTorch Lightning、TorchHandle等但是終究不是官方的庫。

04 最后總結(jié)

最適合你的深度學(xué)習(xí)框架將取決于你的具體需求和要求

TensorFlow 和 PyTorch 都提供了廣泛的功能和高級特性，并且這兩個框架都已被研發(fā)社區(qū)廣泛采用。作為高級用戶，我的個人建議是深入學(xué)習(xí)一個庫，另外一個庫代碼基本上是類似的，基礎(chǔ)到了基本上做到能看懂就可以了，比如

 class DNNModel(nn.Module):
     def __init__(self):
         super(DNNModel, self).__init__()
         self.fc1 = nn.Linear(2,4)
         self.fc2 = nn.Linear(4,8) 
         self.fc3 = nn.Linear(8,1)
         
     # 正向傳播
     def forward(self,x):
         x = F.relu(self.fc1(x))
         x = F.relu(self.fc2(x))
         y = nn.Sigmoid()(self.fc3(x))
         return y
 ################
 class DNNModel(models.Model):
     def __init__(self):
         super(DNNModel, self).__init__()
         
     def build(self,input_shape):
         self.dense1 = layers.Dense(4,activation = "relu",name = "dense1") 
         self.dense2 = layers.Dense(8,activation = "relu",name = "dense2")
         self.dense3 = layers.Dense(1,activation = "sigmoid",name = "dense3")
         super(DNNModel,self).build(input_shape)
  
     # 正向傳播
     @tf.function(input_signature=[tf.TensorSpec(shape = [None,2], dtype = tf.float32)])  
     def call(self,x):
         x = self.dense1(x)
         x = self.dense2(x)
         y = self.dense3(x)
         return y

看看上面代碼的兩個類它們的區(qū)別并不大，對吧。

下面是google trends的趨勢對比，我們可以看到明顯的區(qū)別

審核編輯：湯梓紅