原文地址：Which Deep Learning Framework is Growing Fastest?
原文作者：Jeff Hale
译文出自：掘金翻译计划
本文永久链接：github.com/xitu/gold-m…
译者：ccJia
校对者：luochen1992, zhmhhu
在 2018 年的 9 月，我在一篇文章中，从需求量，工程使用量以及流行程度等方面对比了所有的主流深度学习框架。TensorFlow 处于绝对的王者地位，而 Pytorch 则是一位跃跃欲试的年轻挑战者。
半年过去了，这种形势是否有所改变呢？
为了回答这个问题，我从在线招聘网站（如：Indeed、Monster、LinkedIn 和 SimplyHired) 的职位需求、谷歌的搜索量、GitHub 活跃度、媒体的文章数、ArXiv 的文章数以及Quora 的粉丝数等几个方面的数据变化去做评估。最终，以这些数据为依据，绘制了需求量，使用率和流行程度的增长图便于读者理解。
集成和更新
我们发现，TensorFlow 和 PyTorch 都有一些重要的版本发布。
PyTorch 1.0 版本在 2018 年 10 月预先发布，同一时间 fastai 1.0 版本也进行了发布。这两个版本的发布是深度学习框架走向成熟的重要里程碑。
2019 年 4 月，TensorFlow 2.0 alpha 版也进行了发布。在新增了许多新特性的同时，改进了用户的体验。并且更加紧密地集成了 Keras 作为它的高级 API。
方法
在本文中，由于 Keras 和 fastai 与 TesnsorFlow 和 PyTorch 的依存关系，它们也可以作为一个尺度来评估 TensorFlow 和 PyTorch，所以我们将它们也囊括到了对比之中。
至于其他的深度学习框架，我将不予讨论。很多读者肯定会觉得像 Caffe、Theano、MXNET、CNTK、DeepLearning4J 和 Chainer 这些框架是很有价值的。然而它们虽然有诸多的优点，但确实无法与 TensorFlow 和 Pytorch 相提并论，同时又和这两个框架没有什么交集。
我们的分析工作是在 2019 年 3 月 20 号到 21 号间执行的，数据源在 谷歌的表格中。
我使用 plotly 作为可视化库，更多的细节可以参考我的 Kaggle Kernel。
好，现在我们就来看看各个分类的结果如何。
在线职位需求的变化
我通过搜索几个主要的在线招聘网站，如，Indeed、LinkedIn、Monster 和 SimplyHired 的相关数据来判断哪一个框架是目前需求量最大的。
我使用的搜索关键字是这样的，machine learning ，后面跟随对应的库名。举个例子，评估 TensorFlow 我们使用的关键字就是 machine learning TensorFlow 。由于历史的比较原因，使用了这种关键字进行搜索。如果不加 machine learning 结果也不会有明显的不同。我们的搜索范围设定的是美国。
我用2019年3月的数据减去6个月之前的数据，有如下的发现：
在职位列表中，TensorFlow 的增长略微高于 PyTorch。Keras 也有增长，大致是 TensorFlow 的一半。Fastai 仍然是没有什么需求量。
值得注意的是除了 LinkedIn 以外，在其他的求职网站上 PyTorch 相较于 TensorFlow 都有明显的增长。但是在绝对的数量上，TensorFlow 的职位数量接近PyTorch 或者 Keras 的 3 倍。
谷歌平均搜索活跃度的变化
在最大搜索引擎上的搜索次数可以作为衡量流行程度的一个指标。我在 Google Trends 上搜集了过去一年全世界范围内关于 Machine Learning and Artificial Intelligence 分类的搜索。不幸的是谷歌不提供绝对的数值，只能获得一组相对值。
我得到了过去 6 个月兴趣分数的均值并与半年以前的兴趣均值做比较。
在过去 6 个月中，TensorFlow 的相关搜索量在下降，而 PyTorch 的相关搜索量在上升。
下面的图表直观的反映了过去 1 年人们的兴趣趋势。
媒体新增文章
新媒体是数据科学文章和教程的主要传播场所，我希望你会喜欢它。我利用 Medium.com 作为筛选项在谷歌上进行搜索，在过去的 6 个月中，TensorFlow 和 Keras 的文章发表数基本相似，而 PyTorch 的要稍微少一些。
作为高级 API 的 Keras 和 fastai 在新框架的实践者中十分流行，有很多教程都是在向人们展示如何很好的使用这些新框架。
arXiv新增文章
arXiv 是当前大多数深度学习学术论文选择发表的在线仓储。我使用谷歌搜索了过去 6 个月新发表的新论文中提到的框架，结果是 TensorFlow 遥遥领先。
GitHub新增活跃度
Git 的近期活跃度是框架流行度的另一个指标。下面的图表展示了点赞、克隆、粉丝以及贡献者的数量。
TensorFlow 在各个选项上都是领先的。尽管如此，PyTorch 在关注者和贡献者方面已经十分接近 TensorFlow 了，同时 fastai 也出现了很多新的贡献者。
毫无疑问，一些 Keras 的贡献者还在努力的挖掘 TensorFlow 库。同时值得注意的是，这两个开源项目都是由谷歌的员工发起的。
Quora的新增粉丝数
我将之前遗漏的一个参考指标 —— Quora 新话题的粉丝数量也加入进来。
过去 6 个月中，绝大多数新增话题的粉丝都是围绕着 TensorFlow，而 PyTorch 和 Keras 则远远落后。
一旦我有了所有的数据，我将把它们整理成一个新的指标。
增长分数的计算
下面是我如何创建增长分数的:
将所有指标的分数缩放到 0 和 1 之间。
汇总 在线职位 和 GitHub 活跃度 等子类。
根据下面的百分比对各个分类加权。
为了方便理解，我们再将所有得分乘以 100。
将每个框架的对应分类的得分进行累加，得到最后的增长分数。
在线工作一项的权重占据了整体的三分之一，原因很简单，直接的经济利益才是最实际的。这种划分也是为了更好的平衡各个选项。区别于我的另一篇 2018 power score analysis ，我没有包含 KDNuggets 的使用情况调查（没有新的数据）和出版物（过去 6 个月没有太多的新书）。
结果
下面是表格的形式：
这里是各个分类的得分：
这里是最终的得分：
TensorFlow 是目前需求量最大且增长速度最快的框架，短时间内，这个局面不会发生变化。PyTorch 的增长也十分迅猛，大量的职位需求就是它需求量和使用量增长的最好证明。当然，Keras在过去的6个月也有长足的进步。最后，fastai 的增长就不那么的理想了，但是需要说明的是，它是这几个框架中最年轻的一个。
所以，TensorFlow 和 PyTorch 都是十分值得学习的框架。
学习建议
如果你准备学习 TensorFlow ，那么我建议你可以先从 Keras 开始。Chollet 的 Deep Learning with Python 和 Dan Becker 的 DataCamp course on Keras 是两本很好的入门教材。在 TensorFlow 2.0 中使用 Keras 作为高级 API 只需要通过 tf.keras 就可以调用。这里有一个 Chollet 写的 TensorFlow 2.0 快速入门 教程。
如果你准备学习 PyTorch，我建议可以从 fast.ai 的 MOOC 文章 Practical Deep Learning for Coders, v3 开始。你可以学习到深度学习的原理以及 fastai、PyTorch 的基础。
那么，TensorFlow 和 PyTorch 的未来是什么呢？
未来的方向
我常听人说，PyTorch 比 TensorFlow 更好用。这是因为 PyTorch 有更稳定的 API 并且更贴近 Python 的用法。同时还有原生的模型转换工具 ONNX，可以用来提高推理的速度。并且，Pytorch 共用了许多 numpy 的命令，可以降低学习的门槛。
对于 TensorFlow 2.0 的所有改进都是针对于用户体验这点，谷歌的首席人工智能决策官 Cassie Kozyrkov 有如下的 解释。TensorFlow 现在有更直观的API,更合理的 Keras 集成，以及更直接的执行选项。这些改变以及 TensorFlow 的广泛使用，都将帮助它在未来几年继续流行。
此外，TensorFlow 最近公布了一项令人激动的计划：开发针对于 Swift的TensorFlow版本。Swift 最初是由苹果公司构建的编程语言。相较于 Python，Swift 在执行和开发速度上有很多的优势。fast.ai 的联合创始人 Jeremy Howard 发布的 消息，fast.ai 将在部分的进阶 MOOC 中使用 TensorFLow的Swift版本。这个语言可能在最近的一两年不会完成，但是它一定会改进现存的深度学习框架。可以看到，语言和框架之间的合作和交叉学习正在进行着。
量子计算 的进步也将影响深度学习框架。虽然可用的量子计算机还需要几年才能出现，但是 Google、IBM、Microsoft 和其他的公司已经在思考如何将量子计算和深度学习结合起来了。框架需要去慢慢适应这种新的技术。
结语
你已经看到了 TensorFLow 和 PyTorch 的增长。它们都有很好的高级 API：tf.keras 和 fastai，它们可以降低初学者的学习门槛。你也已经看到了框架的新特性和未来方向。
如果需要使用文中的图表，可以到我的 Kaggle Kernel 中去获取相关内容。
我希望你可以从这个对比中获取帮助。如果确实有帮助，就请你把它分享到你喜欢的社交频道，这样就可以使更多的人获益。
谢谢大家浏览！
作者：贾澜鹏
链接：https://juejin.im/post/5caefef45188251b070f7d70
来源：掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。