OpenAI全面擁抱PyTorch，TensorFlow：我哪里比不上它？
TensorFlow 和 PyTorch 框架之爭由來已久，近日的一則新聞讓 PyTorch 陣營「更添一員大將」。OpenAI 表示，他們已全面轉向 PyTorch，并統(tǒng)一自家所有模型的框架標準。
對于深度學習框架的使用，整個人工智能社區(qū)大體可以分為兩大陣營：TensorFlow 和 PyTorch。有觀點認為，PyTorch 更適合研究領域，而實際的工業(yè)應用可能更偏向于 TensorFlow。PyTorch 具有用戶友好的 API 和對 Python 生態(tài)的良好支持，更適合學界。而 TensorFlow 因為用戶慣性和對工業(yè)生產(chǎn)環(huán)境的支持，更適合業(yè)界。
近日的一則新聞確實佐證了這個說法。OpenAI——一個研究過 AI 打 Dota2、推出 NLP 預訓練模型 GPT-2、以及讓機器人單手還原魔方等項目的人工智能研究機構宣布，他們將會全面轉向 PyTorch。
從 2017 年 TensorFlow 占絕對優(yōu)勢到現(xiàn)在兩大框架處于相對均勢，雙方的開發(fā)團隊可能都沒有料到 PyTorch 會這么受社區(qū)青睞。
用 PyTorch 統(tǒng)一項目標準
在一則簡短的博客文章中，OpenAI 表示，他們將會使用 PyTorch 作為統(tǒng)一的深度學習框架。在此之前，他們會基于框架本身的特點和優(yōu)勢在不同的項目中使用不同的框架。
OpenAI 認為，為了讓團隊更容易地創(chuàng)建和共享模型及其應用，使用 PyTorch 是更好的選擇。通過標準化的 PyTorch 框架，OpenAI 可以建立起基于它的平臺，使得自家的各種模型和應用都能進行框架和工具的復用。
另外一個選擇 PyTorch 的重要原因是：用它來實現(xiàn)各種新的想法特別容易，特別是在 GPU 集群上。OpenAI 在博客中說，自從選擇了 PyTorch，他們可以將研究思路到生成模型的迭代開發(fā)時間從周壓縮到天。這節(jié)省了很多的時間。更何況，PyTorch 背后也有著活躍的開發(fā)社區(qū)，包括 FaceBook 等大型研究機構都在使用。
OpenAI 還在文章中表示，他們的大部分團隊已經(jīng)完成了遷移工作。除非有特定的技術原因，基本上 PyTorch 就是主要的深度學習框架了。例如，OpenAI 在近日推出了 PyTorch 版本的深度強化學習庫——「Spinning Up」。
此外，OpenAI 還會在后續(xù)的開源計劃中公開更多基于 PyTorch 的項目，比如「Block-Sparse GPU Kernels」。這是一種新架構的核，計算速度快于 cuBLAS 和 cuSPARSE。
TF 問題多多，用戶轉向 PyTorch
誠然，與 TensorFlow 相比，PyTorch 仍在存在性能、工業(yè)生態(tài)支持等方面的短板。但是不可否認的是，TensorFlow 的諸多問題驅使用戶選擇了 PyTorch。
首先是易用性的問題。TensorFlow 剛剛問世的時候有著陡峭的學習曲線。要想掌握這個框架，其難度不亞于學習一門新的編程語言。而 PyTorch 在設計之初就非常「Pythonic」，使用起來和 Python 一樣簡單。
其次是 API 的穩(wěn)定性。由于 TensorFlow 誕生的時候，業(yè)界和學界對于深度學習框架的設計經(jīng)驗不足，所以在 API 的定義、設計和功能實現(xiàn)方面有很多不同的理解，開發(fā)者們也走過很多彎路。更何況深度學習本身就是快速發(fā)展的，新算法需要快速的 API 實現(xiàn)。這就導致 TensorFlow 的 API 變了又變，還加上了很多 contrib 的 API。相比之下，PyTorch 的 API 迭代更穩(wěn)定，更沒有命名混亂的問題。
基于以上兩個原因，PyTorch 相比 TensorFlow 有著更低的上手成本，以及更快速實現(xiàn)的使用特點。因此，經(jīng)常有新思路的學界就更青睞 PyTorch 一些，畢竟他們需要的是能夠快速實現(xiàn)想法，并迅速迭代的深度學習框架。OpenAI 作為一個經(jīng)常有各種算法和創(chuàng)意的研究機構，使用 PyTorch 也自然更合理一些。
網(wǎng)友評價
對于 OpenAI 徹底擁抱 PyTorch 的新聞，不少 Reddit 網(wǎng)友提出了自己的看法。
一位網(wǎng)友認為，在被 TensorFlow 激怒后，轉向 PyTorch 再合理不過了。他同時認為，TF2.0 確實在「撥亂反正」。
另一位也表示贊同，他認為，PyTorch 逐漸變得更好了，而 TF2.0 實際上沒有人們想得那么好。另外，與 TensorFlow 相比，PyTorch 的設計和維護者更懂得如何在靈活性、易用性和采納新技術方面保持平衡。
接下來，社區(qū)其他成員將作何抉擇？TensorFlow 可要加把勁啦！
