TensorFlow和PyTorch框架的几个重要发展
我们最近看到了tensorflow和pytorch框架的几个重要发展。
pytorch v1.0于2018年10月发布，与此同时，fastai v1.0也发布了。这两个版本都标志着框架成熟度的重要里程碑。
tensorflow 2.0 alpha于2019年3月4日发布。它增加了新的功能和改进了用户体验。它还更紧密地集成了keras及其高级api。
方法
在本文中，我们将keras和fastai包括在比较中，因为它们与tensorflow和pytorch紧密集成。
在本文中，我们不会探讨其他的深度学习框架。比如：caffe、theano、mxnet、cntk、deeplearning4j或chainer。虽然这些框架都有各自的优点，但它们似乎都没有处于增长轨道，不太可能接近tensorflow或pytorch。它们也不是与这两个框架紧密耦合的。
在线求职列表变化
为了确定在当今的就业市场上哪些深度学习库是有需求的，在indeed、linkedin、monster和simplyhired上搜索了职位列表。
搜索了“机器学习”这个词，然后是库名。因此，使用machine learning tensorflow对tensorflow进行了评估。由于历史比较的原因，使用了这种方法。没有machine learning的搜索不会产生明显不同的结果。搜索区域是美国。
从2019年3月的数量中减去了6个月前的数量。以下是我们的发现：
tensorflow的增长略高于pytorch。keras的增长大约是tensorflow的一半。fastai仍然没有出现在几乎所有的工作列表中。
请注意，pytorch在除linkedin以外的所有求职网站上看到的新增职位列表数量都超过了tensorflow。还请注意，按绝对值计算，tensorflow出现在职位列表中的数量几乎是pytorch或keras的三倍。
谷歌平均搜索变化
在最大的搜索引擎上进行网络搜索是衡量受欢迎程度的一个标准。我们查看了过去一年谷歌趋势的搜索历史。我们搜索了全世界对机器学习和人工智能领域的兴趣。谷歌没有提供绝对的搜索数字，但是它提供了相对的数字。
取过去6个月的平均兴趣得分，并将其与之前6个月的平均兴趣得分进行比较。
在过去的六个月中，tensorflow的相对搜索量有所下降，而pytorch的相对搜索量有所增长。
下图直接显示了过去一年的搜索兴趣。
medium文章
medium是数据科学文章和教程的流行位置。
在过去的六个月里，对其medium网站搜索，发现tensorflow和keras发表的文章数量差不多。pytorch的数量相对较少。
作为高级api，keras和fastai在新的深度学习实践者中很受欢迎。medium有很多教程介绍如何使用这些框架。
arxiv文章
arxiv是大多数学术深度学习文章发布的在线资源库。在过去的六个月中，使用谷歌站点搜索结果搜索了关于arxiv上每个框架的新文章。
tensorflow有最多的新文章出现，远远超过其他网站。
github
github是另一个展示框架受欢迎程度的指标。我们在下面的图表中列出了stars，forks，watchers和contributors。
每个类别中，tensorflow的github活动最多。然而，就watchers和contributors的增长而言，pytorch非常接近。此外，fastai也看到了许多新的贡献者。
keras的一些贡献者无疑正在tensorflow库中对此进行研究。值得注意的是，tensorflow和keras都是由google人带头开发的开源产品。
quora
我们还添加了quora话题的关注者数量，一个以前没有的新类别。
tensorflow在过去六个月里增加了最多的新话题关注者。pytorch和keras的添加量都要少得多。
一旦我有了所有的数据，我们就把它合并成一个度量标准。
成长评分解析
下面是我们如何创建成长评分:
1、在0和1之间缩放所有特征；
2、聚合了在线工作列表和github子类别；
3、按以下百分比加权类别；
4、将可加性分数乘以100得出可理解性；
5、将每个框架的类别得分汇总为单个增长得分。
工作列表占总分的三分之一多一点。与我们在2018年得分分析不同，我们没有包括kdnuggets使用情况调查数据（没有新数据）或书籍数（六个月内出版的不多）。
分类和最终得分：
成长评分：
tensorflow是目前需求最多、增长最快的框架。短期内不会有任何进展。pytorch正在迅速增长。keras在过去的六个月里也有了很大的增长。最后，fastai从一个较低的基线开始增长。值得记住的是，它是这么多框架中最年轻的。
tensorflow和pytorch都是很好的学习框架
学习建议
如果你想学习tensorflow，建议你从keras开始。推荐这两个学习教程：
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通过tf.keras使用keras作为其高级api。这是一个快速入门介绍tensorflow 2.0的方式：
https://threader.app/thread/1105139360226140160
如果你想学习pytorch，建议从fast.ai’s mooc ：
https://course.fast.ai/
在这里你将学习深度学习基础知识，fastai和pytorch基础知识。
tensorflow和pytorch的前景如何?
我一直听说人们更喜欢使用pytorch而不是tensorflow。pytorch更加python化，并且具有更加一致的api。它还有本地onnx模型导出，可以用来加速推理。此外，pytorch与numpy共享许多命令，这减少了学习它的障碍。
然而，正如谷歌的首席决策智能工程师cassie kozyrkov所说：
tensorflow will now have a more straightforward api, a streamlined keras integration, and an eager execution option.
这些变化以及tensorflow的广泛采用，应该有助于该框架在未来几年保持流行。
tensorflow最近宣布了另一个激动人心的计划：swift for tensorflow。swift是一种最初由苹果开发的编程语言。在执行和开发速度方面，swift比python有很多优势。fast.ai将在部分高级mooc中使用swift for tensorflow。这门语言可能一两年内都不会在黄金时段出现，但它可能比目前的深度学习框架有所改进。
https://www.tensorflow.org/swift
影响深度学习框架的另一个进步是量子计算。一台可用的量子计算机可能还需要几年的时间，但谷歌、ibm、微软和其他公司正在考虑如何将量子计算与深度学习结合起来。需要调整框架以适应这种新技术。
导波雷达物位计的安装指南
RAM存储芯片MH6116的使用
浅谈微波技术在通信领域的发展现状
频谱分析仪显示平均噪声电平DNAL和“灵敏度”的意思是一样的吗？
区块链IM社交即时通讯系统开发,直播系统开发
TensorFlow和PyTorch框架的几个重要发展
电镀镍金线路板省镍金工艺方法详细介绍
全球CEO峰会&全球分销与供应链领袖峰会在深圳圆满落幕
高通与天语海尔达成3G和4G技术专利许可协议
中科院士施一公：世界可能根本就不存在 我的认知崩塌了
通过双脉冲测试评估MOSFET的反向恢复特性
一种便携式无人机起降平台的研制与应用
三大运营商哪家的服务质量最好
什么是气体差压传感器，它的特点与作用是什么？
MILS-F31-C激光安全扫描仪的作用
Brocade预测2015年五大技术趋势
电容降压的工作原理
为容器接入USB摄像头
表面应变计和埋入式应变计的应用范围及其特点
如何使机器像人一样对物理世界直观理解？
pytorch v1.0于2018年10月发布，与此同时，fastai v1.0也发布了。这两个版本都标志着框架成熟度的重要里程碑。
tensorflow 2.0 alpha于2019年3月4日发布。它增加了新的功能和改进了用户体验。它还更紧密地集成了keras及其高级api。
方法
在本文中，我们将keras和fastai包括在比较中，因为它们与tensorflow和pytorch紧密集成。
在本文中，我们不会探讨其他的深度学习框架。比如：caffe、theano、mxnet、cntk、deeplearning4j或chainer。虽然这些框架都有各自的优点，但它们似乎都没有处于增长轨道，不太可能接近tensorflow或pytorch。它们也不是与这两个框架紧密耦合的。
在线求职列表变化
为了确定在当今的就业市场上哪些深度学习库是有需求的，在indeed、linkedin、monster和simplyhired上搜索了职位列表。
搜索了“机器学习”这个词，然后是库名。因此，使用machine learning tensorflow对tensorflow进行了评估。由于历史比较的原因，使用了这种方法。没有machine learning的搜索不会产生明显不同的结果。搜索区域是美国。
从2019年3月的数量中减去了6个月前的数量。以下是我们的发现：
tensorflow的增长略高于pytorch。keras的增长大约是tensorflow的一半。fastai仍然没有出现在几乎所有的工作列表中。
请注意，pytorch在除linkedin以外的所有求职网站上看到的新增职位列表数量都超过了tensorflow。还请注意，按绝对值计算，tensorflow出现在职位列表中的数量几乎是pytorch或keras的三倍。
谷歌平均搜索变化
在最大的搜索引擎上进行网络搜索是衡量受欢迎程度的一个标准。我们查看了过去一年谷歌趋势的搜索历史。我们搜索了全世界对机器学习和人工智能领域的兴趣。谷歌没有提供绝对的搜索数字，但是它提供了相对的数字。
取过去6个月的平均兴趣得分，并将其与之前6个月的平均兴趣得分进行比较。
在过去的六个月中，tensorflow的相对搜索量有所下降，而pytorch的相对搜索量有所增长。
下图直接显示了过去一年的搜索兴趣。
medium文章
medium是数据科学文章和教程的流行位置。
在过去的六个月里，对其medium网站搜索，发现tensorflow和keras发表的文章数量差不多。pytorch的数量相对较少。
作为高级api，keras和fastai在新的深度学习实践者中很受欢迎。medium有很多教程介绍如何使用这些框架。
arxiv文章
arxiv是大多数学术深度学习文章发布的在线资源库。在过去的六个月中，使用谷歌站点搜索结果搜索了关于arxiv上每个框架的新文章。
tensorflow有最多的新文章出现，远远超过其他网站。
github
github是另一个展示框架受欢迎程度的指标。我们在下面的图表中列出了stars，forks，watchers和contributors。
每个类别中，tensorflow的github活动最多。然而，就watchers和contributors的增长而言，pytorch非常接近。此外，fastai也看到了许多新的贡献者。
keras的一些贡献者无疑正在tensorflow库中对此进行研究。值得注意的是，tensorflow和keras都是由google人带头开发的开源产品。
quora
我们还添加了quora话题的关注者数量，一个以前没有的新类别。
tensorflow在过去六个月里增加了最多的新话题关注者。pytorch和keras的添加量都要少得多。
一旦我有了所有的数据，我们就把它合并成一个度量标准。
成长评分解析
下面是我们如何创建成长评分:
1、在0和1之间缩放所有特征；
2、聚合了在线工作列表和github子类别；
3、按以下百分比加权类别；
4、将可加性分数乘以100得出可理解性；
5、将每个框架的类别得分汇总为单个增长得分。
工作列表占总分的三分之一多一点。与我们在2018年得分分析不同，我们没有包括kdnuggets使用情况调查数据（没有新数据）或书籍数（六个月内出版的不多）。
分类和最终得分：
成长评分：
tensorflow是目前需求最多、增长最快的框架。短期内不会有任何进展。pytorch正在迅速增长。keras在过去的六个月里也有了很大的增长。最后，fastai从一个较低的基线开始增长。值得记住的是，它是这么多框架中最年轻的。
tensorflow和pytorch都是很好的学习框架
学习建议
如果你想学习tensorflow，建议你从keras开始。推荐这两个学习教程：
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通过tf.keras使用keras作为其高级api。这是一个快速入门介绍tensorflow 2.0的方式：
https://threader.app/thread/1105139360226140160
如果你想学习pytorch，建议从fast.ai’s mooc ：
https://course.fast.ai/
在这里你将学习深度学习基础知识，fastai和pytorch基础知识。
tensorflow和pytorch的前景如何?
我一直听说人们更喜欢使用pytorch而不是tensorflow。pytorch更加python化，并且具有更加一致的api。它还有本地onnx模型导出，可以用来加速推理。此外，pytorch与numpy共享许多命令，这减少了学习它的障碍。
然而，正如谷歌的首席决策智能工程师cassie kozyrkov所说：
tensorflow will now have a more straightforward api, a streamlined keras integration, and an eager execution option.
这些变化以及tensorflow的广泛采用，应该有助于该框架在未来几年保持流行。
tensorflow最近宣布了另一个激动人心的计划：swift for tensorflow。swift是一种最初由苹果开发的编程语言。在执行和开发速度方面，swift比python有很多优势。fast.ai将在部分高级mooc中使用swift for tensorflow。这门语言可能一两年内都不会在黄金时段出现，但它可能比目前的深度学习框架有所改进。
https://www.tensorflow.org/swift
影响深度学习框架的另一个进步是量子计算。一台可用的量子计算机可能还需要几年的时间，但谷歌、ibm、微软和其他公司正在考虑如何将量子计算与深度学习结合起来。需要调整框架以适应这种新技术。
导波雷达物位计的安装指南
RAM存储芯片MH6116的使用
浅谈微波技术在通信领域的发展现状
频谱分析仪显示平均噪声电平DNAL和“灵敏度”的意思是一样的吗？
区块链IM社交即时通讯系统开发,直播系统开发
TensorFlow和PyTorch框架的几个重要发展
电镀镍金线路板省镍金工艺方法详细介绍
全球CEO峰会&全球分销与供应链领袖峰会在深圳圆满落幕
高通与天语海尔达成3G和4G技术专利许可协议
中科院士施一公：世界可能根本就不存在 我的认知崩塌了
通过双脉冲测试评估MOSFET的反向恢复特性
一种便携式无人机起降平台的研制与应用
三大运营商哪家的服务质量最好
什么是气体差压传感器，它的特点与作用是什么？
MILS-F31-C激光安全扫描仪的作用
Brocade预测2015年五大技术趋势
电容降压的工作原理
为容器接入USB摄像头
表面应变计和埋入式应变计的应用范围及其特点
如何使机器像人一样对物理世界直观理解？