TensorFlow和PyTorch，誰才是王者？本文詳細的從多個角度對TensorFlow和PyTorch進行了對比，以求找出二者在接下來的時間里，哪個會成為最有話語權的深度學習框架。

TensorFlow是毫無爭議的深度學習框架重量級冠軍，而PyTorch是年輕的后起之秀，贏的了不少人的青睞。

最近TensorFlow在3月4日發布了2.0公測版，增加了新功能。改善了用戶體驗，更加緊密地集成了Keras作為其高級API。這一版本和1.x相比，改動相當大，以至于你需要遷移代碼庫。Google自己也一樣需要做同樣的事情，所以他們特意出了一套官方的遷移指南，甚至還開發了工具來幫助簡化遷移代碼的工作量。聽起來真是讓人頭禿。

PyTorch v1.0和fastai v1.0都是在2018年10月發布的，這兩個版本標志著框架成熟的重要里程碑。Facebook也剛剛開源了大規模圖嵌入系統PyTorch-BigGraph，而且因為TensorFlow有些激進的升級，導致給PyTorch送了一波新粉絲。

所以2019年，到底TensorFlow能夠繼續穩坐冠軍寶座，或是被PyTorch超越？為了找出這個問題的答案，數據科學家、Rebel Desk的COO、Medium優秀作者Jeff Hale查看了Indeed Monster、LinkedIn和SimplyHired上的職位列表數量、評估了Google搜索量、GitHub活躍度，Medium文章、ArXiv論文和Quora主題關注者的變化，從多個維度對二者進行了對比，可以說是非常具有說服力了。

從在線職位列表變化進行對比

崗位需求最直接的表現了市場對某種框架的需求程度。為了確定在當今的就業市場中需要哪些深度學習庫，Jeff在Indeed，LinkedIn，Monster和SimplyHired上搜索了工作列表。

搜索的方式是在庫名前面加前綴“機器學習”，例如TensorFlow就是“機器學習TensorFlow”，此方法僅用于歷史比較，不加機器學習前綴的搜索沒有產生明顯不同的結果。搜索區域是美國。

從2019年3月的崗位數量中減去了六個月前的崗位數量結果發現：

TensorFlow的列表增幅略大于PyTorch，Keras的增量大約是TensorFlow的一半，而fastai則是完全沒有市場，略有些尷尬。

值得注意的是，除了LinkedIn，其他網站上PyTorch的增量要比TensorFlow大；而TensorFlow的工作需求量，幾乎是PyTorch或Keras的三倍。

從平均Google搜索活躍度進行對比

Google的搜索結果也是衡量人氣的重要指標。從過去一年Google趨勢來看，去年下半年TensorFlow的相對搜索量有所下降，而PyTorch的相對搜索量卻在增長。

TensorFlow為藍色; Keras以黃色，PyTorch以紅色，fastai以綠色

從Medium文章數量進行對比

Medium絕對是數據科學文章和教程的聚集地，Medium上面關于TensorFlow和PyTorch文章的數量也能夠體現學者和開發者以及科技媒體對二者的關注度。

在過去的六個月里，Medium上TensorFlow和Keras有關的文章數量相當，而PyTorch相對較少。

作為高級API，Keras和fastai受到新的深度學習從業者的歡迎。 新增了很多相關的教程。

從新增的arXiv文章進行對比

arXiv是大多數學術深度學習文章的在線存儲庫，代表了學術風向標。在arXiv中，過去六個月TensorFlow的新文章出現率最高，

從GitHub活躍度進行對比

如果說arXiv代表了學術風向標，那么Github無疑就是代表了開發者的風向標。最近關于GitHub的活動是框架流行度的另一個指標。

從上圖可以看出，TensorFlow在star、fork、watch和貢獻者4個方面活躍度均是最高，然而PyTorch在watch數和貢獻者的增長方面非常接近。相對于star來說，watch更能體現開發者對一個項目的關注度。Watch相當于follow或者訂閱，意味著這個項目對開發者來說具有比較重大的意義。而star類似點贊，僅僅表達了用戶對該項目的好感。

值得注意的是，Fastai最近的貢獻者數量在增加。

從Quora上的新增關注數來進行對比

作為目前最大最活躍的線上問答社區，Quora上的關注度也能在一定程度上體現大眾對一個產品的關注度。

顯然在Quora上，TF最受大家關注，大家對TF的也問題最多。PyTorch和Keras也有比較多的新增關注，FastAI就有些尷尬了。

數據分析方法

Jeff創建了一個計算增長分數的方法：

衡量0到1之間的所有功能

聚合在線職位列表和GitHub活躍度

類別的權重根據以下百分比

為了更好的理解，權重分數都乘以100

將每個框架的類別分匯總為單個增長分

工作列表占總分的三分之一多一點，畢竟俗話說得好：金錢萬能，有錢能使鬼推磨。

結果

以下是表格形式的變化：

以下類別和最終得分：

以下是最終的增長分：

TensorFlow需求最旺盛，增長也最快。但是PyTorch也在迅速發展，和TensorFlow的差距并沒有特別大。它在工作崗位需求中的大量增加證明了其使用和需求的增加。

在過去的六個月里，Keras也有了很大的發展。最后，雖然fastai分數最低，但也最年輕，未來還不好說。

未來暢想

所謂蘿卜青菜各有所愛。PyTorch更有Python味兒，API也更一致。它還具有原生的ONNX模型導出，可用于加速推理。此外，PyTorch與numpy共享許多命令，從而降低了學習門檻。

TensorFlow 2.0則完全是為了改進用戶體驗。正如谷歌首席決策情報工程師Cassie Kozyrkov之前解釋的那樣，TensorFlow現在擁有更直接的API，更簡化的Keras集成，更偏實用層面，應該有助于該框架在未來幾年保持流行。

TensorFlow最近宣布了另一個激動人心的計劃：Swift for TensorFlow。Swift最初由Apple構建的編程語言，在執行和開發速度方面，Swift比Python有許多優勢。

Fast.ai將在部分高級MOOC中使用Swift for TensorFlow，這門語言可能不會在一兩年內有突破性的發展，但它可能是對當前深度學習框架的改進。

未來量子計算的發展可能會影響到深度學習框架，需要適配這項新技術。

所以，親愛的讀者，你會如何選擇呢？