本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

 4年半，全球下載量突破1個(gè)億，僅過(guò)去1個(gè)月，便有超過(guò)1000萬(wàn)的下載。

這就是TensorFlow提交的最新成績(jī)單。

谷歌AI負(fù)責(zé)人 Jeff Dean (傳奇“姐夫”)非常激動(dòng)：

當(dāng)我們?cè)?015年11月，將TensorFlow作為一個(gè)開(kāi)源項(xiàng)目發(fā)布時(shí)，我們希望外界機(jī)器學(xué)習(xí)研究人員在使用它時(shí)，和我們?cè)?Google AI 的體驗(yàn)一樣。

看到它的下載量突破1億，我感到非常自豪。

Keras 作者、谷歌深度學(xué)習(xí)專家 François Chollet 也發(fā)推文表示：

僅過(guò)去的一個(gè)月，就有超過(guò)1000萬(wàn)次的下載量，它正在加速發(fā)展。

當(dāng)然，毫無(wú)懸念的，網(wǎng)友們?cè)诮惴蛲铺叵旅鎸懴铝死瞎＃?/p>

但我們現(xiàn)在在用Pytorch。

為什么TensorFlow能取得如此成績(jī)？

在姐夫的推特中，還提到了2015年發(fā)布TensorFlow時(shí)的博客。

這一天，谷歌發(fā)布了TensorFlow的“白皮書”，并很快將其開(kāi)源。

而它的故事，也就從這一時(shí)刻開(kāi)始譜寫。

憑借谷歌不容小覷的影響力，消息在技術(shù)圈內(nèi)迅速傳開(kāi)，然而在圈外，卻沒(méi)有想象中的那么轟動(dòng)。

直到2016年，AlphaGo 引爆了大眾對(duì)人工智能的熱情，AI 也逐漸滲透進(jìn)各行各業(yè)中，Tensorflow 則成為一個(gè)現(xiàn)象級(jí)的技術(shù)名詞，被普通大眾所熟知。

Tensorflow在2017年2月發(fā)布了1.0.0版本，也標(biāo)志著穩(wěn)定版的誕生。

早期的TensorFlow還是有不少被人詬病的地方，比如API的穩(wěn)定性、效率和基于靜態(tài)計(jì)算圖的編程上的復(fù)雜性等等。

歷經(jīng)幾年的時(shí)間，TensorFlow不斷地優(yōu)化，同時(shí)吸取了像Pytorch這樣框架的有點(diǎn)，逐步地在解決這些缺點(diǎn)。

2019年，谷歌推出了TensorFlow 2.0，這是平臺(tái)發(fā)展歷程中，稱得上是一個(gè)重要的里程碑。幾大亮點(diǎn)包括：

• 專注于簡(jiǎn)單性和易用性，大大簡(jiǎn)化API
• 方便開(kāi)發(fā)人員使用Keras 和 eager execution 輕松構(gòu)建模型
• 提高TensorFlow Lite 和 TensorFlow.js 部署模型的能力

直到現(xiàn)在，TensorFlow 已經(jīng)迭代到 2.2.0 版本，更加強(qiáng)調(diào)性能與生態(tài)系統(tǒng)的兼容性，以及核心庫(kù)的穩(wěn)定性。

除了性能上的不斷優(yōu)化，TensorFlow的成功也得益于它的生態(tài)。

TensorFlow 可以說(shuō)，建立了一個(gè)非常強(qiáng)大的生態(tài)系統(tǒng)，包含各類庫(kù)、擴(kuò)展以及工具，能夠滿足研究人員和開(kāi)發(fā)人員實(shí)現(xiàn)端到端機(jī)器學(xué)習(xí)模型的各種需求。

對(duì)于研究人員來(lái)說(shuō)，TensorFlow提供了最尖端的機(jī)器學(xué)習(xí)研究模型，例如，T5模型可以實(shí)現(xiàn)語(yǔ)音到文本的轉(zhuǎn)換。

產(chǎn)品開(kāi)發(fā)人員可結(jié)合使用TensorFlow與Keras等工具構(gòu)建各種應(yīng)用產(chǎn)品。TensorFlow Hub還提供大量預(yù)訓(xùn)練模型。

此外，開(kāi)發(fā)人員可以利用TensorFlow Lite等工具，輕松將機(jī)器學(xué)習(xí)模型部署到各種設(shè)備上。

道阻且長(zhǎng)，比任何時(shí)候都具有挑戰(zhàn)性

TensorFlow取得如此成就固然是值得贊嘆，但與此同時(shí)，它所面臨的挑戰(zhàn)也是巨大的——甚至是前所未有的。

除了自身性能、易用性和生態(tài)等方面的發(fā)展因素外，更多的挑戰(zhàn)可能來(lái)自同類深度學(xué)習(xí)框架的競(jìng)爭(zhēng)。

包括Pytorch、MXNet、Caffe、Keras等等，它們自身有著各自的亮點(diǎn)和特性，這也就造成了用戶選擇方面的差異。

那么，這些開(kāi)源深度學(xué)習(xí)框架之間的競(jìng)爭(zhēng)如何？

鑒于不是所有框架都公布了“下載量”這個(gè)指標(biāo)，我們從GitHub上的關(guān)注度來(lái)做個(gè)對(duì)比。

若是有更好的對(duì)比指標(biāo)，歡迎在評(píng)論區(qū)交流。

首先是TensorFlow，GitHub上的小星星已經(jīng)達(dá)到了14.4萬(wàn)。

Keras在GitHub上的小星星為4.82萬(wàn)。

Pytorch在GitHub上的小星星為3.86萬(wàn)。

Caffe在GitHub上的小星星為3.02萬(wàn)。

MXNet在GitHub的小星星為1.87萬(wàn)。

如根據(jù)GitHub小星星的數(shù)量來(lái)決定開(kāi)源深度學(xué)習(xí)框架的流行程度，那么排名就是：

TensorFlow> Keras >Pytorch>Caffe>MXNet

如此之外，國(guó)內(nèi)的深度學(xué)習(xí)框架也在逐步發(fā)力：百度飛槳、華為 MindSpore、曠視 MegEngine、清華 Jittor。

在GitHub上的小星星分別是11.3K、1K、2.1K和1.4K。

對(duì)于全球深度學(xué)習(xí)框架的洶涌發(fā)展，TensorFlow全球產(chǎn)品總監(jiān) Kemal El Moujahid 就曾表示：

我們非常樂(lè)于看到行業(yè)取得發(fā)展。現(xiàn)在，全球范圍來(lái)看，雖然機(jī)器學(xué)習(xí)和 AI 的普及度還處在初期階段，但是我們不能忘了最終的目標(biāo)：在全球推廣普及機(jī)器學(xué)習(xí)和 AI。