PyTorch和Gluon有什么区别？
pytorch是一个和tensorflow一样的深度学习框架，没有高度封装，适用于科研和工业部署的框架，由facebook出品，随着pytorch新版本的更新，c 的扩展，也许能够与tensorflow争一下地位，对于工业界也逐渐友好，工业部署算法也有些可能。tensorflow是静态图，而pytorch是动态图。
Gluon是亚马逊大神LI MU带领下做的一个前端工具，是一个高度封装的接口。 很多最新论文的算法，都有复现，你只需要去调用相应的function就可以使用相应算法，可以很简单，快捷的使用算法，看算法的展示效果。另外GluonCV是衍生出来的另一来源项目，主要针对于视觉方面，比如人脸识别，车辆检测，物体分类等等。
TensorFlow与PyTorch之间有何不同？
由于人工智能正在几乎所有自动化领域得到实施。 深度学习是用于开发和最大化类人计算机效率的最棘手的架构之一。 为了帮助产品开发人员，Google，Facebook和其他大型科技公司已经发布了各种Python环境框架，可以学习，构建和培训多样化的神经网络。谷歌的TensorFlow是深度学习的开源框架，多年来受到欢迎。
使用新框架，PyTorch因其易于编写的代码而受到初学者的关注。 PyTorch是基于Python，C 和CUDA后端开发的，可用于Linux，macOS和Windows。这两个广泛使用的框架之间存在一些差异，可能是因为它们实现代码，可视化技术以及静态和动态编程的方式。我们来看看差异：计算图初始化时，在PyTorch上分配和构建图形遵循动态计算图形方法。
熟悉Python中的数学库的用户会发现它很容易，因为人们不必为了构建图形而头脑发热。您可以按照自己的方式直接编写输入和输出功能，而无需担心尺寸张量。通过CUDA支持，这使生活变得更加容易。在TensorFlow中，人们必须努力构建张量（图形）的维度以及为变量分配占位符。完成此操作后，必须运行会话才能计算出所有计算结果。
这样的痛苦，不是吗？例如，tf.Session（）用于构建会话，tf.Variable（）用于将权重分配给变量，依此类推。初始化后，可以构建一个神经网络，用于TensorFlow中的训练。文档PyTorch和TensorFlow的文档广泛可用，考虑到两者都在开发中，而PyTorch是最近发布的，与TensorFlow相比。
人们可以在两个框架上找到大量文档，其中实现得到了很好的描述。这两个框架都提供了大量的教程，这有助于人们专注于通过用例学习和实现它们。适应设备PyTorch和TensorFlow都有GPU扩展可用。这两个框架之间的主要区别在于，当考虑GPU进行TensorFlow计算时，它会消耗所有可用GPU的整个内存。
通过为特定进程分配正确的GPU设备可以避免这种情况。 tf.device（）为您提供选择首选GPU的选项。由于TensorFlow是一种静态计算图形方法，因此可以轻松优化此框架上的代码。在PyTorch上，变量可以与权重一起分配并同时运行，其中框架构建计算所需的图形。这方面的GPU使用已经通过CUDA安装启用，即使在尝试在CPU上运行时，PyTorch也总是试图找到要计算的GPU。
因此，必须提供X.cpu（）扩展才能在CPU上运行它。在TensorFlow tf.device（/ cpu：0）：参数用于在CPU上运行它。也可以选择使用tf.device（/ gpu：0）的GPU来选择第一个GPU或tf.device（/ gpu：1）来选择第二个GPU。模型可视化可视化是理解模型性能和工作的关键。
TensorFlow具有图形和模型TensorBoard的实时表示功能，非常方便。 在这里，人们不仅能够获得神经网络的图形表示，还能够获得实时的损失和准确度图，其描绘了模型在特定迭代中的精确度。 这是一些例子：这是一个实时分析，与PyTorch相比，TensorFlow擅长，而PyTorch完全缺乏此功能。
您还可以可视化神经网络的流程图，包括音频文件（如果您的数据中存在），这非常棒。结论在未来，PyTorch可能会像TensorBoard一样添加可视化功能。 PyTorch因其动态的计算方法和简单性而越来越受欢迎。 建议初学者在继续使用TensorFlow之前在PyTorch上工作，这有助于他们专注于模型而不是花时间构建图形。
面对Tensorflow，为何我选择PyTorch？
先来说说pytorch劣势。自从其被发布以来pytorch更多被用于学术界而不是工业界的实际生产，主要是因为它不够成熟、很多接口不太稳定，加上其全面性也不够，tensorflow目前仍然有很多pytorch不支持的功能，比如快速傅里叶变换，但这一点劣势会随着pytorch的发展而逐渐减小。除此此外，相比于tensorflow的容易各处部署的静态图（这一点远胜于很多框架），以python优先的深度学习框架 pytorch在部署到其他产品会很不方便。
优势先从上手时间开始说，虽然在2015年发布之后tensorflow多方受宠，但是和theano一样，tensorflow使用的是静态计算图，对于新手来说有过多需要新学习的概念，这导致了不管是入门还是搭建，使用tensorflow都比pytorch困难。而在2017年pytorch被团队开源的主要原因之一也是让建立深度学习模型更加简单，这让它发展十分迅猛。
在数据加载上，pytorch加载数据的API简单高效，其面向对象的API源自于porch（也是keras的设计起源），比tensorflow难学的API友好很多，使用户可以将重点放在实现自己的想法，而不是被框架本身束缚住。速度上，pytorch并没有为了灵活性而放弃速度，虽然运行速度和程序员水平密切相关，但pytorch在相同情况下常有可能胜于其他框架的速度。
研一刚入学，从未接触过神经网络，python也是才开始学，现在导师要我做LSTM，我应该去学什么？
几个方面去做1 python语言可以边用边学2 在python之上其实还有个深度学习框架要学，比如pytorch，tensorflow，推荐学pytorch，对新手友好容易用。或者跟实验室大部队走，别人用啥就用啥这样后面好交流3 lstm相关知识，可以先看看csdn上的博客，别人的理解是怎么样的，再去知网找硕博毕业论文lstm相关看看。
TensorFlow、Pytorch、OneFlow，MXNet、MindSpore这些框架谁最好用？
公司常用的框架有tensorflow 和 pytorch 。下面描述一下企业对框架的使用现状。tensorflow 。tensorflow 版本之间变化有点大，1.15的很多api，在2.0后弃用了，对运行环境版本升级有一定的影响。只能是旧的项目沿用旧版本，新项目用新版本;对于tensorflow 的使用呢，有些人直接用原生的tensorflow api，有些人喜欢用封装后的keras，底层的计算执行庫还是由tensorflow 提供。
pytorch 。有些人对于tensorflow 版本混乱的不满，慢慢转投了pytorch 的怀抱。pytorch的api较为稳定，而且提供的多机多卡分布式训练的api也较为简单易用。个人觉得这两个框架都挺不错，对于怎么选择的话看个人对框架的用途，熟悉程度，与个人偏好吧。如果仅仅是使用框架，两者区别不是很大。
如果是想研究框架本身与机器学习深度学习底层计算算法以及对算法进行优化，pytorch 作为后来者近年来对gpu运行加速上不断的努力前行，更受国内外研究人员的青睐。最后，算法岗其实不仅仅是研究算法，还要涉及算法落地完整流程，包括数据预处理，算法设计与实现，训练模型，保存模型，部署serving服务等流程，有完整一套产业链，来保证算法相关服务正常运行。
