有各种深度学习库，但最著名的两个库是PyTorch和Tensorflow。虽然这两个库都是开源库，但有时却很难搞清楚这两个库的区别。它们在商业代码和学术研究中被广泛使用。
PyTorch
PyTorch是一个用于机器学习的开源库。它是由Facebook开发的，并在2016年首次向公众发布。它是强制性的，这意味着它可以立即运行，用户可以在编写完整的代码之前检查它是否工作。我们可以写一部分代码并实时检查，它是内置的基于python的实现，作为一个深度学习平台提供兼容性。由于它的用户友好界面，它迅速获得了用户，这使得Tensorflow团队在Tensorflow 2.0中获得了它的流行功能。
TensorFlow
就像PyTorch一样，它也是一个用于机器学习的开源库。它是由谷歌开发的，于2015年发布。它的名字本身就表达了我们如何在数据上执行和组织任务。生产和研究是Tensorflow的主要用途。神经网络大多使用Tensorflow来开发机器学习应用。
| S.No | Pytorch | TensorFlow |
|---|---|---|
| 1 | Pytorch是由Facebook开发的 | TensorFlow是由Google开发的 |
| 2 | Pytorch是使用Torch库制作的。 | TensorFlow被部署在Theano，这是一个python库。 |
| 3 | Pytorch在动态图的概念上工作 | TensorFlow相信静态图的概念 |
| 4 | 与Tensorflow相比，Pytorch的功能较少。 | TensorFlow有更高层次的功能，并提供广泛的工作选择。 |
| 5 | Pytorch使用简单的API，节省了整个模型的重量。 | TensorFlow有一个很大的好处，就是整个图可以被保存为协议缓冲区。 |
| 6 | Pytorch对部署的支持相对较少。 | 与Pytorch相比，TensorFlow对嵌入式和移动部署的支持更多。 |
| 7 | Pytorch有一个较小的社区。 | TensorFlow有一个较大的社区。 |
| 8 | Pytorch很容易学习和理解。 | TensorFlow相对来说比较难学。 |
| 9 | Pytorch要求用户将所有东西都存储到设备中。 | 默认设置在Tensorflow中得到很好的定义。 |
| 10 | Pytorch有一个动态的计算过程。 | TensorFlow需要使用调试器工具。 |
| 11 | Pytorch的一些功能或库是：PYRO, Horizon, CheXNet等。 | TensorFlow的一些特征或库是：Sonnet, Ludwig, Magenta等。 |
PyTorch和TensorFlow的区别
不能说一个库好，一个库坏，两者都是非常有用的框架，并被大规模使用。两者都是机器学习库，用于完成各种任务。Tensorflow是一个有用的工具，具有调试功能和可视化功能，它还将图形保存为协议缓冲区。另一方面，Pytorch由于其友好的使用方式，仍在不断发展壮大并吸引着python开发者。简而言之，Tensorflow用于更快地实现自动化，并制作人工智能相关的产品，而那些更注重研究的开发者则更喜欢使用Pytorch。
