先來回答一下你提的幾個問題：Pytorch連最基本的maximum, minimum, tile等等這些numpy和tensorflow中最簡單的運算都沒有，用view來reshape還會報錯contiguous(雖然我知道怎么解決)，官方手冊也查不到相應說明，這個東西到底好用在哪里?

你說的那幾個函數pytorch中都有(或者可以實現)maximum： torch.max() 同時包含了numpy.max 和numpy.maximum的功能

minimum：torch.min()

np.tile(arr,(100,100)) 等價于 tensor.repeat(100,100)

contiguous的問題我經常聽別人提問，但我從未遇到過(我幾乎從未調用過`tensor.contiguous()`)，大多數人也很少會把tensor弄成不連續。之所以tensor會不連續，是為了能夠共享內存，更高效的內存利用(其實只要PyTorch在設計的時候把所有的不連續操作都返回一個連續的tensor即可解決這個問題，但是不值得，大多數不連續的tensor都會進行一個reduce操作，然后就變成了連續的了)。

numpy那么多函數，PyTorch不可能都支持，即使不支持，也可以在numpy中實現，然后轉成tensor，畢竟numpy和tensor之間的轉換極其高效快速(他們共享內存).這個東西到底好用在哪里?

還是說就是定義網絡結構簡單?

PyTorch到底好在哪，其實我也只是有個朦朧的感覺，總覺的用的舒服自在，用其它框架的時候總是覺得這里或者那里別扭。第一次用PyTorch幾乎是無痛上手，而且隨著使用的增加，更是越來越喜歡：

PyTorch不僅僅是定義網絡結構簡單，而且還很直觀靈活。靜態圖的網絡定義都是聲明式的，而動態圖可以隨意的調用函數(if，for，list什么的隨便用)，兩者的差距不是一點點。網絡的定義在任何框架中都應該是屬于最基礎最簡單的一個內容，即使是接口繁多的tensorflow，通過不斷的查文檔，新手也能把模型搭起來或者是看懂別人的模型。這個PyTorch也不例外，它的優勢在于模型定義十分直觀易懂，很容易看懂看別人寫的代碼。可以看看pytorch/vision 里面的幾個經典的網絡定義，我覺得很難找到比它更簡潔易懂的模型定義了。

網絡模型定義只是很基礎的一部分，更重要的是模型的使用。比如在使用預訓練模型finetue時，我們需要修改預訓練模型某些層，新增某些層，刪除某些層，新增的層希望給他較高的學習率，之前預訓練的層希望學習率設為0。scene-baseline 是我前幾天為AI challenger 場景分類寫的baseline，可以參考一下，只用了幾行代碼就實現了預訓練模型finetune(新增某些層，刪除某些層，修改某些層)，以及為不同層設置不同學習率 scene-baseline-optimizer 。

再比如在盡可能不修改原來模型源代碼的情況下，獲取預訓練好模型的某些層的輸出(Fast Neural Style需要用到)，或者是使用多個預訓練好的子模型，分別初始化一個復雜模型的某一部分，因為子模型的結構都是相似的，所以可以讓這些子模型共享某些層的參數(知乎看山杯我就用了這個策略。表述的可能很復雜，其實在模型的構建只用了幾行)

談太多框架的使用，可能比較枯燥，只有你自己用了才知道，PyTorch真的是越用越順手。

下面說幾點其它的看法，沒有什么條理，不論證舉例，只說想法，只是個人看法，不必太認真：

1.PyTorch比TF更符合Unix/Python哲學

Unix哲學：做一件事，并把它做好。(真的要在做實驗的時候考慮如何把模型部署到手機，利用TPU加速？)

Unix哲學：KISS(keep it simple, stupid)。github上TF有接近100萬行代碼，PyTorch只有它的十分之一多一點。TensorFlow創造了 圖、會話、命名空間、PlaceHolder 等一大堆全新的概念，簡直就是一門新的語言。TensorFlow是Make It Complicated ，TensorFlow+Keras是Make It Complicated And Hide It。而Keras的Hide it又違反了Python的哲學(扁平勝于嵌套 )，喪失了靈活性。而PyTorch就是tensor-autograd-nn 三級封裝~ 簡潔易懂

Python之禪：盡量找一種，最好是唯一一種直觀易懂的實現方案(猜猜TF中RNN有多少種實現，猜猜除了Keras、Sonnet、TFLearn、TensorLayer、Slim、PrettyLayer之外tensorflow還有多少個第三方API )。PyTorch的不同人寫的代碼都差不多，很容易看懂。The Zen of Python, by Tim Peters

優美勝于丑陋

明了勝于晦澀

簡潔勝于復雜 復雜勝于凌亂

扁平勝于嵌套

間隔勝于緊湊

可讀性很重要

即便假借特例的實用性之名，也不可違背這些規則

不要包容所有錯誤，除非你確定需要這樣做

當存在多種可能，不要嘗試去猜測

而是盡量找一種，最好是唯一一種直觀易懂的實現方案雖然這并不容易，因為你不是 Python 之父

做也許好過不做，但不假思索就動手還不如不做

如果你很難向人描述你的實現，那肯定不是一個好實現命名空間是一種絕妙的理念，我們應當多加利用

如果你很難向人描述你的實現，那肯定不是一個好實現

2.快速

在大多數人寫的代碼中PyTorch都比TensorFlow快，并不是說TensorFlow慢，只是你要用TensorFlow寫出同等速度的代碼會稍微困難一些(單單是數據加載這一塊就會難倒許多人)

3.強大的社區

facebook的FAIR強力支持，FAIR是全球TOP3的AI研究機構。PyTorch論壇，文檔，tutorial，一應俱全。FAIR的幾位工程師更是全職維護開發，github上PyTorch每天都有許多pull request和討論。

你很難聽到有誰說TF好用，最多是諸如谷歌支持，社區強大，文檔完善，功能齊全等等。但是PyTorch你只要深度用過一段時間，就會喜歡上它的。很多人自來水安利PyTorch，當然不是facebook給錢，或者是博得多少點擊量，真的是因為它太好用了。

其實關于TensorFlow還有一點讓我頗為不滿的是，現在媒體總是覺得谷歌的東西就是最好的，每回TensorFlow有什么更新，都要搞個大新聞。而且，谷歌喜歡把一個項目的目標當成這個項目的特點來宣傳，但是TensorFlow的實際表現，配不上它的名氣。

4.簡潔易懂的代碼

一個框架你不懂源碼，你就不能完全掌握它的運行原理，像tensorflow的`sess.run`簡直就是個黑箱。而PyTorch幾乎是我用過框架中源碼最易懂的，任何一個操作，不論多么高級復雜，都能輕松的找到它對應tensor操作(Caffe/tinydnn也挺簡潔的，但是我的C++比較渣)

nn.Module代碼是PyTorch中對所有模型對象的封裝，我覺得幾乎所有人都應該看看，深度學習框架的設計可以很簡單！現在Gluon，Sonnet，nnabla等框架也都開始模仿這個設計api~

5.快速實現

深度學習煉丹的過程中，我們肯定都有許多奇思妙想，但這些奇思妙想需要做實驗來驗證。如果實現比較困難費時，在不確定這個想法是否有效的情況下，我們很容易打退堂鼓。PyTorch可以解放你的想法，用tensor的思維思考代碼，一切操作皆tensor，一切tensor能做的，PyTorch都能做到，而且做的像操作tensor一樣。

用TensorFlow 我能找到很多別人的代碼

用PyTorch 我能輕松實現自己的想法

而且github上很多tensorflow的代碼也不能跑了不是嗎？畢竟TF常年一步一大更新，不怎么考慮向后兼容。隨著同學的更新TF，我眼睜睜看的我的TF代碼從運行正常，到警告，到報錯

PyTorch實現的項目在github上也有很多，不是嗎？基本上所有的研究方向都能找到質量很高的PyTorch開源方案。

6.關于PyTorch的幾個誤解

PyTorch社區不強大 ？：看上文

PyTorch 文檔不齊全？：我覺得PyTorch的文檔幾乎是所有框架中最好的，這些文檔都是作者在設計的時候就寫好的，不是別人看著代碼，憑借著自己理解寫的。 而且PyTorch文檔中的給出了很多示例，在IPython下可以直接拷貝運行，做實驗測試。

PyTorch中沒有TensorBoard? lanpa/tensorboard-pytorch 不僅功能強大(支持Tensorboard幾乎所有的操作，連計算圖都支持，只是顯示效果不好)，而且接口簡單(比tf的tensorboard api易用)。而且除了Tensorboard還有Visdom可以用~

PyTorch動態圖性能比較差？見上文，同等水平的人用PyTorch寫出來的代碼普遍要比TensorFlow快。當然我認為極限情況下TensorFlow會比PyTorch快，詳情可以看TensorFlow官方的benchmark，只是寫的代碼很復雜，普通用戶寫不出來。

總感覺表述有點匱乏，表達也不是很流暢，還有很多沒表達出來的。可以看看其他人是怎么說的：

PyTorch和TensorFlow到底哪個更好？看看一線開發者怎么說 (帖子是3月份初發的，這時候PyTorch才發布一個多月，但幾乎所有用過的人已經都在夸贊)

總結

以上是生活随笔為你收集整理的pytorch和python有什么区别_PyTorch到底好用在哪里?的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。