PyTorch和TensorFlow到底哪個更好？
Theano、TensorFlow、Torch、MXNet 再到近日比較熱門的 PyTorch 等等，深度學習框架之間的比較一直以來都是非常受人關注的熱點話題。機器之心也曾發表過多篇相關的介紹和對比文章，如《主流深度學習框架對比：看你最適合哪一款?》、《五大主流深度學習框架比較分析：MXNET 是最好選擇》、《對比深度學習十大框架：TensorFlow 最流行但并不是最好》和《從 TensorFlow 到 Theano：橫向對比七大深度學習框架》。
不過你知道用戶實際用起來的感覺怎么樣嗎?近日，Reddit 用戶 cjmcmurtrie 發了一個主題為「PyTorch vs. TensorFlow」的討論帖，想要了解這兩大流行的框架之間各自有什么優勢。
原帖地址：https://redd.it/5w3q74
帖子一樓寫道：
| 我還沒有從 Torch7 遷移到 TensorFlow。我玩過 TensorFlow，但我發現 Torch7 更加直觀(也許是我玩得不夠?)。我也嘗試了一點 PyTorch，所以我決定先看看效果。
使用了幾周 PyTorch 之后，我認為我現在還不必遷移到 TensorFlow，至少在我感興趣的項目上還不需要。用 PyTorch 寫自定義模塊真是簡單至極。而且其動態圖構建(dynamic graph construction)給我之前需要熬夜實現(或等待列表上)的東西帶來了很多新想法。我認為對機器學習開發者來說，PyTorch 是一個了不起的工具集。我也知道 TensorFlow 的社區資源要強大得多，但如果要開發全新的項目(而不是為已有的架構重新寫代碼或閱讀教程)，社區也不一定能有很大的幫助。 |
這個 Reddit 帖子發出后得到了很多機器學習研究者和開發者的關注，他們紛紛跟貼談論自己的想法和經驗(不只是關于 PyTorch 和 TensorFlow，討論中還涉及到更多工具)。機器之心在這里選擇其中一些我們認為有價值的評論，希望能夠給你的學習和研究帶來幫助。以下按贊成數量排序。
ajmooch的回復：
我一直在做一個 TensorFlow 的項目，所以我可以公正地在 Theano+Lasagne, PyTorch 和 Tensorflow 三者之間做一個比較。但對于前兩者，我可以給出一些漫漫的看法。
背景：大概在一年前我開始接觸 Theano+Lasagne，并在我的兩篇論文中使用了它。我上周改換到 PyTorch，并重新建了兩個我以前用 Theano 實現的關鍵項目。
API：Theano 的圖形構建和編譯工作方式讓我學習起來很費勁，但一旦我找到了它的竅門，一切都迎刃而解(這也許會花費兩個月，但是我仍舊在學習 Python 和基本的神經網絡方面的東西，所以對這一速度的參考價值持保留態度)。Lasagne 的 API，對我來說，就像是優雅的凱瑟琳女皇騎著逆戟鯨展開了戰斗，也就是說我愛死它了。如果我提前知道我有多想要一個 Theano 的程式庫去工作，我一定會寫一個程式庫，這大大地減輕了繁重的勞動。
PyTorch 的 API，另一方面來說感覺有些粗糙，但對它有一些限定詞，這個稍后再談。如果你只是做一些標準的任務(實現 ResNet 或者 VGG)我認為你不會有問題，但我一直都有一些分歧因為我所做的一切都有些奇怪。舉個例子，在我當前的項目中，因為 strided 張量索引(tensor indexing)還未實現，我必須使用幾個 hacky 解決方法，雖然當前的索引技術非常靈活，比起直接使用 numpy 風格的索引，它們少了很多直觀性。中心的限定條件是，它們確實只是釋放 friggin 的框架，當然并不是一切都實現，還有一些待解決的問題。Theano 發展時間長且已經成熟，我并沒有觀察到它或者 Lasagne 在這個過程中遇到過困難。
除此之外，對于 PyTorch 我最大的「抱怨」基本上是在神經網絡 API 方面「事情并未按照我讓他們組合的方式進行放置」。具體來說，我非常喜歡 Lasagne 的「層次(layers)」范式—但是一點點批判性的思維就會讓你得出這個結論，這個范式尤其不適合動態圖框架。我完全習慣于考慮并且優化我關于靜態圖形定義的思考過程，所以轉換 API 方法是一個小的痛點。這非常重要-我花了很長時間思考「好吧，既然我不能使用自己的標準流控制寫出一個常規的程序一樣，寫出這個圖的 Theano，那么我該如何定義它呢，」這讓我在思維的道路上變得越來越強大。
然而，動態圖需要一個與「定義+運行」基本不同的 API，雖然我個人認為它并不直觀，就在上周其單獨執行定義的方法，正如 CJ 所說，打開了我的思路并給了我幾十個項目的想法，這在以前是不可能的。我還想象，如果你在任何你想的地方使用 RNNs 做任何事情，比如，在沒有消耗計算的前提下實現動態計算，接口的命令性質將會使它更容易這樣做。
速度：所以我沒有做廣泛的基準測試，但是我驚訝的發現，PyTorch 是可以立即使用的，在我當前的項目的單 GPU 的訓練時間比 theano+lasagne 快 100%。我已經在 Geforce gtx 980 和 Titan X 上測試了它，并實現了已經確認相同且在合理的誤差范圍內的網絡。100% 逐字地在 CIFAR100 上從(在最簡單的情況下)5 分/歷元到 2.5 分/歷元，并且在某些情況下降到 2 分鐘/歷元(即，快兩倍)
這是相同的模板代碼，使用了相同的數據提取程序(我不得不諷刺地說「fetcher」沒有思考「去死吧，FETCHER(DIE, FETCHER!)」)，除了實際的代碼，訓練和運行網絡，一切都相同。
這讓我感到驚訝，因為我的印象是，Theano 的廣泛和積極的內存優化(在這種情況下，當你開始訓練，只需花費幾分鐘進行編譯)意味著它在單 GPU 下的速度非?？?。我不知道什么導致了速度的提升，或者，因為他們同樣都使用了 cuDNN 的最新版本(我仔細地檢查了一遍以確保的確是這樣)，所以這一切的收獲一定在天空的某一個地方，但我并不知道會在哪里。
相關地，使用 Theano 工作時，我從來沒有能夠得到多 GPU 或者半精度浮點數。我花了好幾天的時間試圖讓 libgpuarray 工作，并使用 platoon 試圖進行修復，但每次我都會精疲力盡(想象一下即使我可以得到編譯的資源也不會如此困難，這已經是一個痛點了)。然而，立即使用的 PyTorch 的數據并行性(單節點，4 GPU)和半精度(用于卷積的 pseudo-FP16，這意味它不會變快但是會使用更少的內存)問題就解決了。當時就是這樣。
開發團隊交互：我與兩個框架的核心開發團隊一直交流的非常愉快。對于 Lasagne 和 Theano，我遇到了一些困難，很多奇怪的問題。很多次，他們總是快速且簡潔地幫我弄清楚什么錯了(我通常不明白)。PyTorch 團隊同樣有幫助—我一直在提出我遇到的錯誤或問題，并得到及時的反映，通常會在當天修復，或者得到解決方法或得到問題跟蹤。我并沒有在 Keras 或者 Tensorflow 上工作，但是我看過他們的「問題」日志和一些用戶組，只是因為大量的用戶，這些框架看起來并不會得到這種個人的關注 - 就像是我去 Cal Poly(加州理工州立大學)一樣，在這個地方，教授/學生的比例很高，你很少看到一個班中有超過 20 個學生，然而在 Berkeley 你能看到 1000 人的演講廳。這并非批評 Cal 的孩子或者暗示 berkeley 盲目擴招，但如果你是一個像我一樣開發非標準神經網絡的人(我并不是在說 Chuck Tingle weird)，然而從一個實際構建框架的人那里得到快速的反饋，這是非常寶貴的能力。
Misc：我擔心一個特別的問題(為什么我打算幾年拾起 TensorFlow 并將它作為主要框架)，Theano 和 PyTorch 都沒有為部署設計，開發團隊它看上去并沒有把重心放在 PyTorch 上(雖然在這方面，我可能看錯了，我模糊的記得我在論壇的帖子上看到過這個)。我想要練習將一些東西放置在網站或者 droid app 上(主要是為了娛樂，但我一直都非常專注于研究并認為這是一個真正有用的技能，可以實際獲得我在設備上所做的東西)，我不確定其他的框架能很好地支持這種方式。
相關地，PyTorch 的分布式框架仍然是實驗性的，最近我聽說 TensorFlow 在設計時就考慮到了分布式，所以如果你需要運行真正的大規模項目，TensorFlow 多半是最好的。
TL;DR：我并不是試圖推薦哪個框架比較好;我至死都愛 Lasagne(可能更多)，但我已經發現動態圖的靈活性和其快速地、難以理解的增益的速度。我在上個星期安裝了 PyTorch 并且只用了非常少的時間就上手了，我想我不太可能回頭了。我并不是很了解 TensorFlow。但能從 PyTorch 開發者那里得到及時反饋對我來說是很重要的一點，因為我正在做一些看來有點奇怪的研究，但在未來我也可能為一些項目重新使用 TensorFlow。這個討論帖非常棒，但我希望在你閱讀過后的印象是：這是他們的主觀經驗，而不是一個刻板的印象如：「就是這樣，你絕對會感到同樣的方式」。
taion的回復：
我們最近從 Theano+Lasagne 轉到了 TensorFlow。
我還沒有嘗試過任何分布式的架構，但總體上用過 Theano 之后再用 TensorFlow 感覺非常熟悉——甚至更好。對你提到的幾點，回復如下：
等效的圖形編譯(graph compilation)要快得多;我們用了幾秒而不是幾分鐘。但是它仍然不夠快，如果我們想要將它的大部分添加到我們的 CI 套件(CI suite)，但我們不需要等待很長時間來開始訓練。
從 Lasagne 轉到 TensorFlow 之后，我喜歡 tf.layers 和 tf.contrib.layers 中更高層次的功能;它們為接受張量(tensor)并返回張量的功能性 API，因此更容易與「原始」的 TensorFlow 集成。我們可以做普通的張量操作，而不用寫一個層那么麻煩。
在我們使用的模型上，TensorFlow 的速度稍稍快于 Theano(20%-30%)。當第一次使用時，我們看到大致相同的性能，并認為這可以接受，但然后我們閱讀 TensorFlow 的性能指南(https://www.tensorflow.org/performance/performance_guide)，并切換到 NCHW 并融入批處理規范(batch norm)，然后一切運行得更快了。我猜 Theano 本身就不是很快……
關于開發人員的反饋速度：我曾在 TF 的問題區提出了一些微不足道的問題，但 TF 開發人員通常在一兩天內就回復我了。
此外，工具是相當好的。TensorBoard 絕對好用，用來表示的時間線(timeline)/跟蹤(trace)的工具也一樣好用。但是我還沒有嘗試新加入的 tfdbg。
TensorFlow 當然也有幾個缺點，例如在實踐中部署到 iOS，但這說來話長。使用 TensorFlow 不是沒有痛苦，但與需要 Python runtime 的 Theano 相比，這還算什么事情嗎?這是相當大的進步。
如果你使用 TensorFlow，我強烈建議你看看 tf.layers 或 TF-Slim。具體的說，tf.layers 本質上嵌入了 Keras API。
盡管我不指望任何有意義的性能差異;本帖討論的操作最終定義了一個靜態計算圖形(computation graph)，所以使用像 Keras 這樣的包裝器本身并不增加資源消耗，除了在圖形定義時最小的資源占用，但是如果你原來使用 Theano，你會感到 TensorFlow 的啟動時間快得多(以秒計而不是以分鐘計的編譯速度)。
遵循 TensorFlow 性能指南(TensorFlow performance guide)非常有用。在 DenseNet(L = 40，k = 12)模型上，從默認的 NHWC 和未融入批處理規范切換到 NCHW 和融入批處理規范后，我們的每個 epoch 時間都下降了超過 30%。在 WRN-16-4 模型上，我們看到 epoch 時間下降了超過 20%。
badmephisto的回復：
我認為在深度神經網絡庫的設計方面，PyTorch 目前已然接近啟發的高度。
- 它屬于輕量級;
- 它目前位于 Python 中;
- 它使你能夠明確地控制計算。沒有編譯器能自己妄圖變聰明來「幫助你」，或是將你的代碼加速;事實上大多編譯器在調試中會產生大量麻煩;
- 它使 GPU 內核調用之上僅有少量(可解釋的)抽象層，而這恰恰是高性能的保證;
- 也許這是個人偏好，但我得到了與抽象有關的特定 OCD。每當我要做艱巨的工作時都會很緊張，因為一旦我的未來被泄漏，我便能感覺到它那些無法擺脫且難以忍受的痛苦。相對簡單的事情理應在引擎蓋之下發生的大多數情況下，這種感覺尤為強烈;
- 調試更容易，因為特定代碼中會是特定行(而不是在距離使用大型或生成的 Graph 對象的 sess.run()很遠的地方)失敗。你的堆棧跟蹤不會填滿三個屏幕來讓你玩「找找錯誤在哪里!」的豎版卷軸游戲;
- 不存在編譯時間。我無法理解 Theano 用戶是如何處理的，他們一定更有耐心;
- 你可以直接操作漸變，顯然，做一些事情時可以更容易，也更自然(如在反向傳播過程中的漸變剪輯，或各種「破碎的反向傳播」的有關想法，就像最近的 Shake Shake reg 命令一樣;的確，我認為你可以用 stop_gradient 破解一個解決方案);
- 它對動態圖的支持從一開始就是自上而下的設計原則，而非隨之而至的事后想法。并且我們會看到更多的動態圖表，如做成一大塊 NLP，或是神經模塊網 ;
- 它沒有縮進或膨脹你的代碼的顯式會話對象;
- 它獲得的抽象是正確的：raw numpy - > Tensors(但 GPU 上的 raw numpy 可能對深度學習一無所知!)- >變量(它們了解深度學習)，并且 Modules 或 Optim 等等會稍有益處。
到目前為止，我與 TF 的有關經驗有些膨脹，所以即便是像數據驅動初始化這樣理應很簡單的事情，也會用到一些 tricks。當然，TF 的開發者有他們的一套解決方案，但往往涉及你從未聽說過的 5 個 TensorFlow 函數的組合。我不記得曾用 Torch 做過這些，又或許我現在做的事情更復雜。
免責聲明：我仍行進于對 PyTorch 進行嘗試的漫漫征途中;所以我的經驗是基于在 TensorFlow 做了很多復雜事情，而在 PyTorch 上才剛剛開始的背景上得到的。讓我們看看未來會發生什么。
jeremyhoward的回復：
對于 http://course.fast.ai 的第 2 部分，我們從 keras + theano(第 1 部分)切換到 Keras、TensorFlow 和 PyTorch 合用的狀態。一般而言，使用 PyTorch 總是令人愉快的，主要是因為：
- 動態計算使很多事情更加容易，如 seq2seq + attention 的神經翻譯很難通過 keras + tf 來實現，但使用 PyTorch 便會很容易;
- 更容易調試，因為你可以只使用標準的 PyThon 工具;
- PyTorch 讓自定義的實現更加容易，所以你得以將更多時間專注于算法中，這樣往往能夠改進主要性能;
- 使 Multi-gpu 簡單易懂;
- Torch-vision 使加載和變換圖像變得容易。
TensorFlow 的 API 非常荒謬，它在每個階段都會重新發明輪子，并且要求開發者學習很多本不必要的新概念。然而，開發者峰會表示這一境況正在改善——而且同時使用 TensorFlow Servin 和 Cloud ML 會提高你的生產力。
Powlerbare的回復：
我大約在半年前使用 TensorFlow 實現了一些 seq2seq 模型，并意識到為何 TensorFlow 很好用：它的內置組件很棒，讓研究變得就像有老師在推動著你一樣容易，而注意與損失函數就如同噪聲對比估測，等等。倘若我收集基線或修改函數，一切都會變容易。我已經習慣于搜索代碼庫，并確定究竟哪種函數在運作(如果不小心，某些可選的函數默認值便會得到不好的結果)——并且我對基于這些實現的大部分報告結果非常有信心。
下面是幾點與我所愛的 PyTorch 有關，而 TensorFlow 卻不會提供的事項：
1)PyTorch 提供了一個強化功能，我很喜歡它。增強功能基本上不會在實現中產生過多資源消耗，能有一些內置函數來調用 RL 的感覺真棒。
2)我并未大量使用 autograd，因為那時它速度很慢，但人們感覺用它來做一些沒譜的事情很有趣。我是這個范例的死忠粉，因為我沒來由地鐘愛在 numpy 上編寫網絡。
【本文是51CTO專欄機構機器之心的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】
