TensorFlow2.0 问世，Pytorch还能否撼动老大哥地位？

TensorFlow 2.0 preview

关于TensorFlow 2.0 preview,在谷歌开源战略师 Edd Wilder-James 曾将公开的一封邮件就有介绍，TensorFlow 2.0 预览版将在今年正式发布，并称其是一个重大的里程碑。将会把重点放在易用性上，而 Eager Execution 将会是 TensorFlow 2.0 的核心功能。

注：“Eager Execution”是一个命令式、由运行定义的接口，一旦从 Python 被调用可立即执行操作，这使得
TensorFlow 的入门变得更简单，也使得研发工作变得更直观。

TensorFlow 2.0 上线

TensorFlow 2.0 preview终于上线了，看来稳定版距离我们也不会太远——按照官方说法会是今年的第一个季度。
谷歌表示，在过去几年里，TensorFlow 增加了很多组件。通过 TensorFlow 2.0 版本的大幅度重建，这些功能将被打包成为一个综合平台，支持从训练到部署的整个机器学习工作流程。下图简要展示了 TensorFlow 2.0 的新架构：

Note：虽然上图的训练部分侧重 Python API，但是 TensorFlow.js 也支持训练模型。TensorFlow 2.0 对其他语言也有不同程度的支持，包括 Swift、R 语言和 Julia。

市场占有率

全球情况

2.0发布会还把TensorFlow目前的家底透露了一遍：目前TF在全球已经有超过4100万的下载次数，社区有超过1800多个贡献者。

发布会现场展示一张全球地图，但是没有透露中国社区的情况，这怎么可以？

官方图

中国概览

下面是我用中文搜索引擎–百度指数统计通过搜索量数据来侧面观察下两个主流深度学习框架tensorflow 与pytorch的变化，得到的结果如下图：

上图是进一年以来国内的深度学习两个主流框架tensorflow 与pytorch之间的对比，很明显的可以看出
tensorflow远胜于pytorch.尤其在有TF2.0消息公布后，搜索指数差距拉大了。

从人群属性上来说20~29以及 30-39之间的人群来说，年轻化的人群更倾向于pytorch，老程序员更倾向于tensorflow。

TensorFlow与PyTorch区别

1. 安装环境
   首先在系统上的支持：all in . 不过值得注意的是在2018Pytorch v0.4.0支持windows平台的。

2. CPU和GPU
   TensorFlow 有针对的CPU和GPU安装模块，而 PyTorch并不像TensorFlow一样已经指定好CPU和GPU，如果在项目中想要同时支持GPU和CPU，将会产生更多代码。

3. 安装过程
   基于Anaconda 的两个深度学习模块都可以直接通过Pip来安装。

4. 是否适合新手
   TensorFlow 1.x与 PyTorch对比来说，个人认为PyTorch好些，但是在tensorflow 2.0发布后根据其新特性，Tensorflow 2.0 将于PyTorch不相上下。

下面是具体一些方面的对比：
PyTorch与TensorFlow 1
例如要计算 1 + ½ + ¼ + ⅛ + … ，使用 PyTorch 的代码明显比 TensorFlow 简单：

后来从 TensorFlow 1.4 开始，可以选择启动 eager 模式。

在 TensorFlow 2.0, eager execution 是默认的，不需要启用它：

可以发现eager 模式和 PyTorch 一样简单.

5. 效果上
   个人认为针对不同需求、不同算法选择不同，没有绝对的好与不好。

TensorFlow2.0新特性

下面我们具体来看下2.0版本的新特性：2.0版本具有简易性、更清晰、扩展性三大特征，大大简化API；提高了TensorFlow Lite和TensorFlow.js部署模型的能力；

TensorFlow2.0 Alpha概括一下即：

• 更易用：

诸如tf.keras等高级API将更易于使用；并且Eager execution将成为默认设置。

• 更清晰：

删除了重复的功能；不同API的调用语法更加一致、直观；兼容性更加完善。

• 更灵活：

提供完整的低级API；可在tf.raw_ops中访问内部操作；提供变量、checkpoint和层的可继承接口。

主要变化简要总结

• API清理
  许多API 在TF 2.0中消失或移动。一些主要的变化包括删除tf.app，tf.flags与 tf.logging，支持开源的 absl-py（Google自己的Python代码库）。

• Eager Execution 将成为核心功能

  可能 TensorFlow 2.0 最明显的改变就是将 Eager execution 作为默认优先模式。这表明任何运算在调用后就会立即运行，我们不再需要预先定义静态图，再通过「tf.Session.run()」执行图的各个部分。

    # TensorFlow 1.X
    outputs = session.run(f(placeholder), feed_dict={placeholder: input})
    # TensorFlow 2.0
    outputs = f(input)

• 代码风格以 Keras 为主

很多函数如 optimizer，loss，metrics 会统合到 Keras 中

• 支持更多的平台和语言

1.0到2.0过渡

自动过渡

关于代码转换：从TensorFlow1.0到2.0过渡我们使用 pip 安装 TensorFlow 2.0 时，系统会自动添加 tf_upgrade_v2（项目地址） ，它可将现有的 TensorFlow Python 代码转换为 TensorFlow 2.0 代码。

#使用方法：
!tf_upgrade_v2
# 选择 input file，输出 output file
tf_upgrade_v2 --infile foo.py --outfile foo-upgraded.py
# 将整个目录进行变换
tf_upgrade_v2 --intree coolcode --outtree coolcode-upgraded

兼容方面

为确保TensorFlow 2.0仍支持您的代码，升级脚本包含一个compat.v1模块。该模块替换TF
1.x符号tf.foo，与等效tf.compat.v1.foo参考一样。虽然兼容性模块很好，但我们建议您手动校对替换并将其迁移到tf.命名空间中的新API，而不是tf.compat.v1.。

由于TensorFlow
2.x模块已弃用（例如，tf.flags和tf.contrib），因此切换到compat.v1某些无法解决更改。升级此代码可能需要使用其他库（例如absl.flags）或切换到tensorflow
/ addons中的包。

  以上来源于官网

小结

TensorFlow 2.0将原有的一个非常强大非常成熟的深度学习库进行了简化，重点是以keras为主，不知大家是否了解keras,根据官方标语，它是“为人类设计，不是为机器设计的API”。因此他在入门方面将大大优化， 如果你有以下需求，那么TensorFlow是一个很好的选择：

• 开发需要部署在移动平台上的模型
• 想要各种形式的丰富的学习资源（TensorFlow开发课程比较多）
• 想要或需要使用Tensorboard
• 需要大规模的分布式模型训练

PyTorch仍然是一个年轻的框架，但其发展速度越来越快。如果你有以下需求，它可能会比较适合你：

• 小规模项目的快速原型开发
• 用于研究

参考文献

https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/effective_tf2.md
https://tensorflow.google.cn/
https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s