本篇为在 深度之眼 学习PyTorch笔记之一
This is one of the notes from the Deepshare
1.PyTorch简介
2017年1月，FAIR(Facebook AI Research)发布PyTorch
PyTorch是在Torch基础上用用python语言重新打造的一款深度学习框架
Torch是采用Lua语言为接口的机器许西框架，但因Lua语言较为小众，导致Torch知名度不高
2. PyTorch的发展
2017年1月，发布PyTorch
2018年4月0.4.0版，支持Windows系统，并且caffe2并入
2018年11月更新1.0稳定版，为GitHub上增长第二快的开源项目
2019年5月更新1.1.0版，支持TensorBoard，增强可视化功能
2019年8月更新1.2.0版，更新torchvision，torchaudio和torchtext，增加更多功能。
3.PyTorch的优点
上手快: 掌握NumPy和基本深度学习概念即可上手
代码简洁灵活: 用nn.module封装是网络搭建更方便；基于动态图机制，更灵活
DeBug方便: 调试PyTorch就像调试Python代码一样简单
文档规范: https://pytorch.org/docs/stable/index.html 可查各个版本文档
资源多: arXiv中的新算法大多由PyTorch实现
开发者多: GitHub上贡献者(Contributors)已超过1100+
背靠大树: FaceBook维护开发
...
4.与TensorFlow的简要对比
发布时间:
TensorFlow是Google Brain基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，于2015年11月9日在Apache 2.0开源许可证下发布，并于2017年12月份预发布动态图机制Eager Execution。
PyTorch是Facebook于2017年1月18日发布的python端的开源的深度学习库，基于Torch。支持动态计算图，提供很好的灵活性。
灵活性:
TensorFlow主要支持静态计算图的形式，计算图的结构比较直观，但是在调试过程中十分复杂与麻烦，一些错误更加难以发。但是2017年底发布了动态图机制Eager Execution，加入对于动态计算图的支持，但是目前依旧采用原有的静态计算图形式为主。TensorFlow拥有TensorBoard应用，可以监控运行过程，可视化计算图。
PyTorch为动态计算图的典型代表，便于调试，并且高度模块化，搭建模型十分方便，同时具备及其优秀的GPU支持，数据参数在CPU与GPU之间迁移十分灵活
学习难易度:
学习难易程度考虑的是框架所使用的语言，文档详细程度以及社区支持三个方面。
(1) 对于框架本身语言:TensorFlow与Python等语言差距很大，有点像基于一种语言重新定义了一种编程语言，并且在调试的时候比较复杂。每次版本的更新，TensorFlow的各种接口经常会有很大幅度的改变，这也大大增加了对其的学习时间；PyTorch支持动态计算图，追求尽量少的封装，代码简洁易读，应用十分灵活，接口沿用Torch，具有很强的易用性，同时可以很好的利用主语言Python的各种优势。
(2) 对于文档的详细程度:TensorFlow具备十分详尽的官方文档，查找起来十分方便，同时保持很快的更新速度，但是条理不是很清晰，教程众多；PyTorch基于Torch并由Facebook强力支持，具备十分详细条理清晰的官方文档和官方教程。
（3）社区支持:由Google开发并维护的TensorFlow具有最大社区，应用人员团体庞大；PyTorch由Facebook支持，并且即将与Caffe2无缝连接，以其灵活、简洁、易用的特点在发布紧一年多的时间内吸引了大量开发者和研究人员，火爆程度依旧在不断攀升，社区也在不断壮大。
