首先PyTorch本質(zhì)上是Numpy的替代者，而且支持GPU、帶有高級(jí)功能，可以用來(lái)搭建和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。如果你熟悉Numpy、Python以及常見的深度學(xué)習(xí)概念（卷積層、循環(huán)層、SGD等），會(huì)非常容易上手PyTorch。而TensorFlow可以看成是一個(gè)嵌入Python的編程語(yǔ)言。你寫的TensorFlow代碼會(huì)被Python編譯成一張圖，然后由TensorFlow執(zhí)行引擎運(yùn)行。

一、全面性

隨著PyTorch逐漸成熟，我預(yù)計(jì)這部分的差距會(huì)趨近于零。但目前，TensorFlow還是有一些PyTorch不支持的功能。它們是：

沿維翻轉(zhuǎn)張量（np.flip, np.flipud, np.fliplr）檢查無(wú)窮與非數(shù)值張量（np.is_nan, np.is_inf）快速傅里葉變換（np.fft）

這些TensorFlow都支持。另外，TensorFlow的contrib軟件包中，有更多PyTorch沒有的高級(jí)功能和模型。

二、序列化

兩種框架下保存和加載模型都很簡(jiǎn)單。PyTorch有一個(gè)特別簡(jiǎn)單的API，可以保存模型的所有權(quán)重或pickle整個(gè)類。TensorFlow的Saver對(duì)象也很易用，而且為檢查提供了更多的選項(xiàng)。

TensorFlow序列化的主要優(yōu)點(diǎn)是可以將整個(gè)圖保存為protocol buffer。包括參數(shù)和操作。然而圖還能被加載進(jìn)其他支持的語(yǔ)言（C++、Java）。這對(duì)于部署堆棧至關(guān)重要。理論上，當(dāng)你想改動(dòng)模型源代碼但仍希望運(yùn)行舊模型時(shí)非常有用。

PyTorch不僅僅是定義網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，而且還很直觀靈活。靜態(tài)圖的網(wǎng)絡(luò)定義都是聲明式的，而動(dòng)態(tài)圖可以隨意地調(diào)用函數(shù)（if，for，list什么的隨便用），兩者的差距不是一點(diǎn)點(diǎn)。網(wǎng)絡(luò)的定義在任何框架中都應(yīng)該是屬于最基礎(chǔ)最簡(jiǎn)單的一個(gè)內(nèi)容，即使是接口繁多的tensorflow，通過不斷的查文檔，新手也能把模型搭起來(lái)或者是看懂別人的模型。

三、強(qiáng)大的社區(qū)

facebook的FAIR強(qiáng)力支持，F(xiàn)AIR是全球TOP3的AI研究機(jī)構(gòu)。PyTorch論壇，文檔，tutorial，一應(yīng)俱全。FAIR的幾位工程師更是全職維護(hù)開發(fā)，github上PyTorch每天都有許多pull request和討論。

很難聽到有誰(shuí)說TF好用，最多是諸如谷歌支持，社區(qū)強(qiáng)大，文檔完善，功能齊全等等。但是PyTorch你只要深度用過一段時(shí)間，就會(huì)喜歡上它的。很多人自來(lái)水安利PyTorch，當(dāng)然不是facebook給錢，或者是博得多少點(diǎn)擊量，真的是因?yàn)樗糜昧恕?/p>

四、簡(jiǎn)潔易懂的代碼

一個(gè)框架你不懂源碼，你就不能完全掌握它的運(yùn)行原理，像tensorflow的`sess.run`簡(jiǎn)直就是個(gè)黑箱。而PyTorch幾乎是我用過框架中源碼最易懂的，任何一個(gè)操作，不論多么高級(jí)復(fù)雜，都能輕松的找到它對(duì)應(yīng)tensor操作（Caffe/tinydnn也挺簡(jiǎn)潔的）

五、自定義擴(kuò)展

兩個(gè)框架都可以構(gòu)建和綁定用C、C++、CUDA編寫的自定義擴(kuò)展。TensorFlow仍然需要更多的樣板代碼，盡管這對(duì)于支持多類型和設(shè)備可能更好。在PyTorch中，你只需為每個(gè)CPU和GPU編寫一個(gè)接口和相應(yīng)的實(shí)現(xiàn)。兩個(gè)框架中編譯擴(kuò)展也是直接記性，并不需要在pip安裝的內(nèi)容之外下載任何頭文件或者源代碼。