大家知道，深度學習的發(fā)展和推進，在某種程度上也是一場框架的爭奪戰(zhàn)，其中 Google 發(fā)布的 TensorFlow 和 Facebook 主力支持的 PyTorch 是最耀眼的兩顆明星。我們今天就來看看其中一位明星 PyTorch，看看它為何值得學。

PyTorch 強調從研究到生產。來源：https://pytorch.org/

根據官網介紹，PyTorch 是一個開源的深度學習平臺，提供從研究原型到生產部署的無縫路徑（An open source deep learning platform that provides a seamless path from research prototyping to production deployment）。

PyTorch 的流行度僅次于 TensorFlow。而最近一年，在 GitHub 關注度和貢獻者的增長方面，PyTorch 跟 TensorFlow 基本持平。甚至，PyTorch 的搜索熱度持續(xù)上漲，加上 FastAI 的加持，PyTorch 無疑會得到越來越多的機器學習從業(yè)者的青睞。

流行度雖然可以說明問題，但是，你一定要知道更多，才能明白 PyTorch 為什么值得學，你在什么情況下需要學習 PyTorch 。

PyTorch 關鍵發(fā)展節(jié)點

2017 年 1 月，F(xiàn)acebook AI 研究團隊發(fā)布 PyTorch，一個基于 Torch 的 Python 工具包，專門用于 GPU 加速的深度學習編程。

2017 年 8 月，PyTorch V 0.2.0 發(fā)布，引入廣播、高級索引、高階梯度、新圖層，以及分布式訓練等，前兩者進一步方便了 Tensor 與 Numpy 互轉。

2018 年 4 月，Caffe2 代碼合并到 PyTorch。Facebook 打算將 PyTorch 的研究特性與 Caffe2 的生產特性更好地結合起來。

2018 年 4 月，PyTorch V 0.4.0 發(fā)布，新特性包括 Tensor 和 Variable 合并，強化 Numpy 風格的 Tensor 構建等，并正式支持 Windows 系統(tǒng)。

2018 年 10 月，PyTorch V 1.0.0 發(fā)布，融合 PyTorch 自身靈活性、研究優(yōu)勢與 Caffe2 的后端與應用能力、ONNX 的框架轉換能力于一體；同時 FastAI V1.0 發(fā)布，可用單一 API 玩轉常見深度學習應用，大大降低了深度學習的學習門檻。

2019 年 5 月，PyTorch V 1.1 發(fā)布，提供了新的 API，原生支持 TensorBoard 和自定義循環(huán)神經網絡，并提升了性能。

PyTorch 剛走過了 2 年 4 個月的時間，發(fā)展相當迅速。

PyTorch 當前穩(wěn)定版及相關配置。來源：https://pytorch.org/

受歡迎程度

Jeff Hale 4 月份在 Medium 上發(fā)表了一篇文章，比較了 TensorFlow、PyTorch、keras 和 FastAI 的流行度，全面涵蓋職位需求、使用、學術研究和興趣等維度。

Jeff 根據多個招聘網站在線職位搜索、Google Trends、GitHub 活躍度、Arxiv 文章數(shù)、Medium 文章數(shù)、Quora 相關問題關注人數(shù)統(tǒng)計計算出了一個綜合的增長分數(shù)。我們這里引用一下最終結果圖片：

深度學習框架半年增長分數(shù)。（2018 年 10 月－2019 年 3 月）

可以看到 TensorFlow 穩(wěn)居第一，而 PyTorch 表現(xiàn)也非常搶眼，未來的需求和發(fā)展非常值得期待。

PyTorch 核心優(yōu)勢：動態(tài)計算圖

PyTorch 是一款強大的動態(tài)計算圖模式的深度學習框架。大部分框架是靜態(tài)計算圖模式，其應用模型在運行之前就已經確定了，而 PyTorch 支持在運行過程中根據運行參數(shù)動態(tài)改變應用模型。

可以簡單理解為：一種是先定義后使用，另一種是邊使用邊定義。動態(tài)計算圖模式是 PyTorch 的天然優(yōu)勢之一，Google 今年 3 月份發(fā)布的 TensorFlow 2.0 Alpha 版本中的 Eager Execution，被認為是在動態(tài)計算圖模式上追趕 PyTorch 的舉措。

靜態(tài)計算圖模式框架在執(zhí)行計算圖之前需要先聲明和編譯。 雖然在實際生產中這種實現(xiàn)比較高效，但在研究和開發(fā)中非常繁瑣。

以 PyTorch 為代表的動態(tài)計算圖框架則無需在每次執(zhí)行之前編譯模型。在建模 NLP 任務時，每個輸入都可能導致不同的圖結構，因此動態(tài)圖就絕對占優(yōu)了——這也是 PyTorch 在處理很多問題上（尤其是 RNN 相關問題）更高效的原因。

此外，動態(tài)圖機制在調試方面非常方便，基本上，如果計算圖運行出錯，就可以在堆棧跟蹤定義圖的代碼行。有人形容調試 PyTorch 就跟調試 Python 一樣，通過斷點檢查就可以高效解決問題。

PyTorch 更多優(yōu)勢

無縫接入 Python 生態(tài)圈，張量、變量與 Numpy 互轉

在張量之上封裝變量，方便構建神經網絡

強大的后端功能

命令式編程風格

擴展性極好

廣泛應用于 NLP 之外的多種深度學習應用

富有活力的社區(qū)和背后大廠 Facebook 支持