1樓：雄立東方
我就想問，為啥tf2.3 的tensor轉成numpy這麼難！
這麼難！
這麼難！
官方說的.numpy（）壓根不能用啊！！！！！！
2樓：松鼠打不過袋鼠
之前覺得tensorflow優勢在於部署，尤其是伺服器端，現在發現pytorch伺服器端的torchserve越做越好了，基本可以滿足快速部署的需求。
如果是嵌入式部署，反正都要轉換模型，那寫著舒服，相對坑少一點就行
3樓：藍熊
工作黨為了部署在某些平台，必須用tf
pytorch木有
也用過pytorch，除錯要舒服很多，
比如更換測試乙個自定義loss function
4樓：
只說tf，torch沒太用。
tf入門文件內容很豐富，以nlp為例，從word2vec，rnn，lstm，lstm+attention一直到transformer，bert，官方文件都給了乙個示例，並且有些示例已經被翻譯成中文。
一般看完guide和tutorails，基本上80%的問題就解決了，剩下的問題，可以直接去tensorflow的github上發issue，發那個document型別的issue（因為你遇到的問題文件裡沒有寫出來），解決一般也很快。不要去stackoverflow，一般沒人理，這是因為tf你如果遇到了問題，絕對是一般人解決不了的問題（官方文件很清晰，很全面，你看完了還遇到問題，那一般人肯定處理不了啊）
20201212更新:
可以去stackoverflow了，現在好多了。
5樓：Peter
使用者不一樣，tf可能更多是企業的使用者，需要的穩定的生產力，tf這方面還是挺好的。 pytorch更多側重快速實現想法，因此研究人員更喜歡，快速靈活。
tf2坑是真的多， 前幾周用tf2寫了乙個lstm的模型，emmm，寫模型用一下午，除錯用了3周， 結果發現tf.keras自帶的adam對於lstm的模型的引數優化等於0 = =， 基本上可以認為只能借助cpu跑，而不能用於gpu，撓頭。
最後解決方法還是換成SGD居然就可以執行了。
最後求大佬推薦乙個tf的穩定版本12都行，不想踩坑了。
6樓：tsinghuaboy
我看到的使用者是1：1，未來都用torch的話，還是需要出來乙個新框架跟torch競爭的，目前學術界（我無恥地代表了）已經全面倒向torch了。
7樓：披頭與槍花
一般對速度沒太高要求的場景，如果訓練用tf，為了省事部署也就用tf了。
對速度有要求的場景都會針對硬體做推理優化，而tf的推理優化很雞肋，一般都不用它。
8樓：skypitcher
tf2.0就是模仿pytorch弄得，問題是tf把什麼東西都放在Keras裡面，我只想用tf.layer不想用tf.keras.layer，所以已經棄用了tf。
9樓：
不會吧不會吧，不會還有人用 tf 吧
被 1.x 坑的都不認識了，還會用 tf ？
就算你 tf2.0 大改版全面抄襲 pytorch 有怎樣潮流已經成型了
10樓：
動態圖用pytorch，靜態圖用tf1
什麼？你想動態圖用tf2？省省吧，現階段的tf2的bug多如牛毛，自己寫過就知道了。
pytorch優點，bug少，該踩的坑都踩過了，好寫，缺點嘛，需要自己做shape inference，略麻煩，也就新建層的時候要你自己指定weight的大小
tf1優點，快
tf2？算了吧，把bug都先修一遍再說啦
pytorch與tensorflow未來哪乙個會佔據更大的使用者群體？
HetingJian pytorch永遠滴神，對於初學者半個小時就能寫個CNN還要啥自行車，我是完全從不會入手的pytorch，就簡單的功能來說對新手太友好遼。 破圓的角 這麼說吧。很久沒用tf，2.0出來的時候用colab玩了一下。我人傻了。推薦用顯式的檢測錯誤的方式來檢測epoch的結束。確實我...
PyTorch 中，nn 與 nn functional 有什麼區別？
老實人 上面使用者有糖吃可好 講的已經挺好了，我再插兩句 在建圖過程中，往往有兩種層，一種含引數 有Variable，如全連線層，卷積層 Batch Normlization層等 另一種不含引數 無Variable，如Pooling層，Relu層，損失函式層等。閱讀原始碼發現 nn.裡面的是繼承自n...
同樣的模型與引數，PyTorch實現的效能比Tensorflow低了很多，有可能是什麼原因呢？
只是看看 手寫影象分割模型，在tensorflow上效果很好，在pytorch上很差。後來發現是損失函式的引數問題，tensorflow中自己寫的多分類focal loss用作分割任務 alpha用0.25 pytorch中重寫了該函式 但是alpha要用1.5至1.75才有效果 有點懵。 嬉嬉皮 ...