軟件開(kāi)發(fā)有前途嗎？人才短缺，前景無(wú)限。面對(duì)Tensorflow，為何我選擇PyTorch？先來(lái)說(shuō)說(shuō)pytorch劣勢(shì)。自從其被發(fā)布以來(lái)pytorch更多被用于學(xué)術(shù)界而不是工業(yè)界的實(shí)際生產(chǎn)，主要是因?yàn)樗?/p>

軟件開(kāi)發(fā)有前途嗎？

人才短缺，前景無(wú)限。

面對(duì)Tensorflow，為何我選擇PyTorch？

先來(lái)說(shuō)說(shuō)pytorch劣勢(shì)。自從其被發(fā)布以來(lái)pytorch更多被用于學(xué)術(shù)界而不是工業(yè)界的實(shí)際生產(chǎn)，主要是因?yàn)樗粔虺墒?、很多接口不太穩(wěn)定，加上其全面性也不夠，tensorflow目前仍然有很多pytorch不支持的功能，比如快速傅里葉變換，但這一點(diǎn)劣勢(shì)會(huì)隨著pytorch的發(fā)展而逐漸減小。除此此外，相比于tensorflow的容易各處部署的靜態(tài)圖（這一點(diǎn)遠(yuǎn)勝于很多框架），以python優(yōu)先的深度學(xué)習(xí)框架 pytorch在部署到其他產(chǎn)品會(huì)很不方便。

優(yōu)勢(shì)先從上手時(shí)間開(kāi)始說(shuō)，雖然在2015年發(fā)布之后tensorflow多方受寵，但是和theano一樣，tensorflow使用的是靜態(tài)計(jì)算圖，對(duì)于新手來(lái)說(shuō)有過(guò)多需要新學(xué)習(xí)的概念，這導(dǎo)致了不管是入門(mén)還是搭建，使用tensorflow都比pytorch困難。而在2017年pytorch被團(tuán)隊(duì)開(kāi)源的主要原因之一也是讓建立深度學(xué)習(xí)模型更加簡(jiǎn)單，這讓它發(fā)展十分迅猛。在數(shù)據(jù)加載上，pytorch加載數(shù)據(jù)的API簡(jiǎn)單高效，其面向?qū)ο蟮腁PI源自于porch（也是keras的設(shè)計(jì)起源），比tensorflow難學(xué)的API友好很多，使用戶可以將重點(diǎn)放在實(shí)現(xiàn)自己的想法，而不是被框架本身束縛住。

速度上，pytorch并沒(méi)有為了靈活性而放棄速度，雖然運(yùn)行速度和程序員水平密切相關(guān)，但pytorch在相同情況下常有可能勝于其他框架的速度。另外，如果追求自定義拓展，pytorch也會(huì)是首選，因?yàn)殡m然二者的構(gòu)建和綁定有一定的相似點(diǎn)，但是tensorflow在拓展時(shí)會(huì)需要很多樣板代碼，但pytorch只用編寫(xiě)接口和實(shí)現(xiàn)。

PyTorch和Gluon有什么區(qū)別？

感興趣的可以關(guān)注一下哦，也可以關(guān)注公眾號(hào)“平凡而詩(shī)意”。

pytorch和gluon有相同點(diǎn)，也有不同點(diǎn)。

相同點(diǎn)

兩個(gè)多都是深度學(xué)習(xí)平臺(tái)，都可以用于卷積神經(jīng)網(wǎng)絡(luò)、RNN等深度學(xué)習(xí)模型的搭建、訓(xùn)練、學(xué)習(xí)等工作。

不同點(diǎn)

首先，提供支持的公司不同，pytorch是Facebook的，gluon是亞馬遜的。

然后，類型定位不同，如果詳細(xì)劃分，pytorch是一個(gè)比較靈活的后端深度學(xué)習(xí)平臺(tái)，和tensorflow、mxnet這些算是一個(gè)類型，而gluon是一個(gè)高度集成的前端平臺(tái)，和keras一個(gè)類型的，也就是說(shuō)，gluon的一個(gè)函數(shù)或?qū)ο蠹闪薽xnet的多個(gè)函數(shù)，gluon的一條命令能夠完成mxnet的一堆任務(wù)，就想keras以tensorflow為后端一樣，keras高度集成了tensorflow這些后端平臺(tái)的函數(shù)。

其次，是編程方式，pytorch是基于命令式編程，簡(jiǎn)單但速度有限，gluon結(jié)合了符號(hào)式編程和命令式編程，兼?zhèn)渌俣群秃?jiǎn)潔。

最后，是靈活度，pytorch集成度沒(méi)有g(shù)luon那么高，所以高度可定制，gluon集成度太高，所以靈活度有限。

卷積定理定義是什么？

f(x，y) * h(x，y)F(u，v)H(u，v) 　　f(x，y)h(x，y)[F(u，v) * H(u，v)]/2π (A * B 表示做A與B的卷積） 　　二個(gè)二維連續(xù)函數(shù)在空間域中的卷積可求其相應(yīng)的二個(gè)傅立葉變換乘積的反變換而得。反之，在頻域中的卷積可用的在空間域中乘積的傅立葉變換而得。 　　這一定理對(duì)拉普拉斯變換、雙邊拉普拉斯變換、Z變換、Mellin變換和Hartley變換等各種傅里葉變換的變體同樣成立。在調(diào)和分析中還可以推廣到在局部緊致的阿貝爾群上定義的傅里葉變換。 利用卷積定理可以簡(jiǎn)化卷積的運(yùn)算量。對(duì)于長(zhǎng)度為n的序列，按照卷積的定義進(jìn)行計(jì)算，需要做2N - 1組對(duì)位乘法，其計(jì)算復(fù)雜度為O(N * N)；而利用傅里葉變換將序列變換到頻域上后，只需要一組對(duì)位乘法，利用傅里葉變換的快速算法之后，總的計(jì)算復(fù)雜度為O(N * log N)。這一結(jié)果可以在快速乘法計(jì)算中得到應(yīng)用。