我們最近看到了TensorFlow和PyTorch框架的幾個重要發展。

PyTorch v1.0于2018年10月發布，與此同時，fastai v1.0也發布了。這兩個版本都標志著框架成熟度的重要里程碑。

TensorFlow 2.0 Alpha于2019年3月4日發布。它增加了新的功能和改進了用戶體驗。它還更緊密地集成了Keras及其高級API。

方法

在本文中，我們將Keras和fastai包括在比較中，因為它們與TensorFlow和PyTorch緊密集成。

在本文中，我們不會探討其他的深度學習框架。比如：Caffe、Theano、MXNET、CNTK、DeepLearning4J或Chainer。雖然這些框架都有各自的優點，但它們似乎都沒有處于增長軌道，不太可能接近TensorFlow或PyTorch。它們也不是與這兩個框架緊密耦合的。

在線求職列表變化

為了確定在當今的就業市場上哪些深度學習庫是有需求的，在Indeed、LinkedIn、Monster和SimplyHired上搜索了職位列表。

搜索了“機器學習”這個詞，然后是庫名。因此，使用machine learning TensorFlow對TensorFlow進行了評估。由于歷史比較的原因，使用了這種方法。沒有machine learning的搜索不會產生明顯不同的結果。搜索區域是美國。

從2019年3月的數量中減去了6個月前的數量。以下是我們的發現：

TensorFlow的增長略高于PyTorch。Keras的增長大約是TensorFlow的一半。Fastai仍然沒有出現在幾乎所有的工作列表中。

請注意，PyTorch在除LinkedIn以外的所有求職網站上看到的新增職位列表數量都超過了TensorFlow。還請注意，按絕對值計算，TensorFlow出現在職位列表中的數量幾乎是PyTorch或Keras的三倍。

谷歌平均搜索變化

在最大的搜索引擎上進行網絡搜索是衡量受歡迎程度的一個標準。我們查看了過去一年谷歌趨勢的搜索歷史。我們搜索了全世界對機器學習和人工智能領域的興趣。谷歌沒有提供絕對的搜索數字，但是它提供了相對的數字。

取過去6個月的平均興趣得分，并將其與之前6個月的平均興趣得分進行比較。

在過去的六個月中，TensorFlow的相對搜索量有所下降，而PyTorch的相對搜索量有所增長。

下圖直接顯示了過去一年的搜索興趣。

Medium文章

Medium是數據科學文章和教程的流行位置。

在過去的六個月里，對其Medium網站搜索，發現TensorFlow和Keras發表的文章數量差不多。PyTorch的數量相對較少。

作為高級API，Keras和fastai在新的深度學習實踐者中很受歡迎。Medium有很多教程介紹如何使用這些框架。

arXiv文章

arXiv是大多數學術深度學習文章發布的在線資源庫。在過去的六個月中，使用谷歌站點搜索結果搜索了關于arXiv上每個框架的新文章。

TensorFlow有最多的新文章出現，遠遠超過其他網站。

GitHub

GitHub是另一個展示框架受歡迎程度的指標。我們在下面的圖表中列出了stars，forks，watchers和contributors。

每個類別中，TensorFlow的GitHub活動最多。然而，就watchers和contributors的增長而言，PyTorch非常接近。此外，Fastai也看到了許多新的貢獻者。

Keras的一些貢獻者無疑正在TensorFlow庫中對此進行研究。值得注意的是，TensorFlow和Keras都是由google人帶頭開發的開源產品。

Quora

我們還添加了Quora話題的關注者數量，一個以前沒有的新類別。

TensorFlow在過去六個月里增加了最多的新話題關注者。PyTorch和Keras的添加量都要少得多。

一旦我有了所有的數據，我們就把它合并成一個度量標準。

成長評分解析

下面是我們如何創建成長評分:

1、在0和1之間縮放所有特征；

2、聚合了在線工作列表和GitHub子類別；

3、按以下百分比加權類別；

4、將可加性分數乘以100得出可理解性；

5、將每個框架的類別得分匯總為單個增長得分。

工作列表占總分的三分之一多一點。與我們在2018年得分分析不同，我們沒有包括KDNuggets使用情況調查數據（沒有新數據）或書籍數（六個月內出版的不多）。

分類和最終得分：

成長評分：

TensorFlow是目前需求最多、增長最快的框架。短期內不會有任何進展。PyTorch正在迅速增長。Keras在過去的六個月里也有了很大的增長。最后，fastai從一個較低的基線開始增長。值得記住的是，它是這么多框架中最年輕的。

TensorFlow和PyTorch都是很好的學習框架

學習建議

如果你想學習TensorFlow，建議你從Keras開始。推薦這兩個學習教程：

1、https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438

2、https://www.datacamp.com/courses/deep-learning-in-python

Tensorflow 2.0通過tf.keras使用Keras作為其高級API。這是一個快速入門介紹TensorFlow 2.0的方式：

https://threader.app/thread/1105139360226140160

如果你想學習PyTorch，建議從fast.ai’s MOOC ：

https://course.fast.ai/

在這里你將學習深度學習基礎知識，fastai和PyTorch基礎知識。

TensorFlow和PyTorch的前景如何?

我一直聽說人們更喜歡使用PyTorch而不是TensorFlow。PyTorch更加Python化，并且具有更加一致的API。它還有本地ONNX模型導出，可以用來加速推理。此外，PyTorch與Numpy共享許多命令，這減少了學習它的障礙。

然而，正如谷歌的首席決策智能工程師Cassie Kozyrkov所說：

TensorFlow will now have a more straightforward API, a streamlined Keras integration, and an eager execution option.

這些變化以及TensorFlow的廣泛采用，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是一種最初由蘋果開發的編程語言。在執行和開發速度方面，Swift比Python有很多優勢。Fast.ai將在部分高級MOOC中使用Swift for TensorFlow。這門語言可能一兩年內都不會在黃金時段出現，但它可能比目前的深度學習框架有所改進。

https://www.tensorflow.org/swift

影響深度學習框架的另一個進步是量子計算。一臺可用的量子計算機可能還需要幾年的時間，但谷歌、IBM、微軟和其他公司正在考慮如何將量子計算與深度學習結合起來。需要調整框架以適應這種新技術。