1樓：kobena
老手無差，新手的話感覺gluon更容易上手吧～
最近pytorch很火啊，可參考更多～
最近無網安裝mxnet到崩潰，現在在用pytorch……
2樓：林孟瀟
兩個框架都玩過一點，不過由於很早就接觸了 MXNet 所以對 gluon 更有好感，最近自己玩的實驗性小專案都是用 gluon 寫的。這裡說幾個 gluon/MXNet 的優點吧：
對 Object detection 的各種奇怪操作支援得很好，比如 ROIPooling，由於MSRA Jifeng Dai 組用 MXNet 公開 Deformable Convolution，所以 gluon 也輕鬆支援。
對部署相對友好，這個請看 HybridBlock。
中文社群發達，這特別要感謝 @李沐 博士的辛勤工作。
至於坑的話……就是文件檢索起來實在難受，但是也不是不能用。整體來說 gluon 坑比較少，我自己實現了乙個 Faster R-CNN 和乙個 LSTM-based Dependency Parser （請見Mengxiao Lin's Homepage），雖然寫得很糙效能並不好，但是至少是可以正常用的。這兩種模型應該算是CV和NLP兩個領域的典型模型了，至少對於這兩個領域的同學們來說大部分工作都是可以輕鬆開展的。
3樓：
思想保守跟不上時代的人表示還是覺得caffe好用啊
需要什麼功能往上加就行了，至少框架做了啥是完全清楚的。其他的框架寫一堆python都不知道後台幹了啥，心裡沒底。。
4樓：羅若天是真的菜
看到了這個
zh.mxnet.io/blog/learn-但是這裡面說的東西也不是最新的了，master上，pytorch已經不需要variable了，並且用了torch.
no_gard來做inference（而gluon用record來做訓練），然後scalar得用.item()而不是.data[0]了，類似於gluon的asscalar
（master上這些個feature其實有一會了已經）btw，大家不要學習這個tutorial裡面的寫法哦：
total_loss += loss.mean()這樣是會爆記憶體的，(∩_∩)
5樓：小小將
看起來還是Pytorch更流行一些，畢竟好多模型都可以找到Pytorch版本的實現。
也不要忽略TensorFlow，雖然是靜態圖結構，但現有的模型基本都有開源實現。
作為一名合格的煉丹師，怎麼可能只有乙個煉丹爐！
6樓：
感覺pytorch、chainer還有gluon此類程式設計正規化只是一種短暫的潮流。所謂動態圖也只是對問題的理解沒有到一定的Level，我們在做的一些非影象、非NLP的深度學習專案——較大規模的點雲處理，嘗試了gluon的動態圖和靜態圖兩種寫法，動態圖的版本因為記憶體占用大小不斷動盪不僅沾滿了所有顯示卡、而且速度還慢，靜態圖乙個卡就能跑。如果你聽說過tensorflow-fold，那你一定要好好研究下，這才是真正動態圖的未來——以靜制動。
總的來說，如果你做影象，那麼你用gluon或者pytorch、keras什麼的都可以；如果你做NLP之類的，用pytorch應該不錯；但是當你的研究不是前二者、或者在深度學習的更高的層次上，我建議用tensorflow
7樓：劉浩鵬
gluon的model zoo比pytorch要弱，dpn，nananet，inception v4，xception，resnext貌似沒有在gluon的model zoo裡。
tensorflow和pytorch是否可以在同乙個環境下使用？
阿爾法 浪 估計題主先使用的TensorFlow在這塊卡上，並沒有設定TensorFlow gpu相關配置，預設TensorFlow會將整塊gpu卡占滿，因此在跑pytorch的時候，此卡就不可用了。 陳桓 不建立虛擬環境會有一些麻煩，你可以建立乙個conda環境，在這乙個環境裡面同時裝兩套，然後將...
新手如何入門pytorch？
君玉工作室 入門pytorch分六個步驟 1.配置好開發環境。這邊直接參考官網的教程就可。2.理解張量的概念，以及相應的運算，在pytorch中實現。3.用pytorch搭建感知機 神經網路 卷積神經網路以及LSTM等常見的簡單的網路，進行前向傳播推理，能夠執行即可，其中理解全連線，池化，卷積模組，...
pytorch如何設定batch size和num workers，避免超視訊記憶體, 並提高實驗速度？
黃掛 batch size一般是往大了調，調到視訊記憶體不能再放下報cuda oom的報錯為止。然後num worker是dataset的程序數，要理解pytorch的訓練過程是乙個生產消費模型，一端是cpu處理資料，放到乙個queue裡，一端是gpu計算資料。一般而言，overhead都應該是gp...