一、pytorch、Keras、TensorFlow三者之間的區別
TensorFlow是最著名的用於深度學習生產環境的框架。它有一個非常大非常棒的社區。然而，TensorFlow的使用不那麼簡單。另一方面，Keras是在TensorFlow基礎上構建的高層API，比TF（TensorFlow的縮寫）要易用很多。
Keras的底層庫使用Theano或TensorFlow，這兩個庫也稱爲Keras的後端。無論是Theano還是TensorFlow，都是一個“符號式”的庫。
1、非競爭性特點
下文介紹了TensorFlow、PyTorch和Keras的幾個不同之處，便於讀者對這三個框架有初步瞭解。列出這些區別的重點不在於對三者做比較，而在於做一個初步介紹。
TensorFlow
· 開發者：Google
· 2017年1月發佈1.0版本
PyTorch
· 開發者：Facebook
· 2018年10月發佈1.0版本
· 基於Torch開發（Torch是基於Lua開發的另一個深度學習框架）
Keras
· 是一個高級API，降低了深度學習框架的複雜程度
· 可以在其他深度學習API，如TensorFlow、Theano和CNTK上運行
· 本身並不是一個庫
2、競爭性區別
下面將介紹這三個框架更加具有競爭性的區別。本文着重分析比較了這三個框架用於自然語言處理（Natural Language Processing，NLP）時的不同之處。
可用的RNN類型
當試圖用深度學習方法來解決NLP問題時，循環神經網絡（Recurrent Neural Networks，RNNs）是開發者最常用的專業架構。因此，本文也選擇從這一角度切入來比較TensorFlow、PyTorch和Keras框架。
本文比較的三種框架都具有可用於構建簡單RNN以及更復雜的RNN——門控循環單元（Gated Recurrent Units，GRU）和長短時記憶網絡（Long Short Term Memory networks，LSTM）的模塊。
PyTorch：
PyTorch提供2種不同層次的類別（class）用於構建循環網絡：
· 多層次類別（Multi-layer classes），包括nn.RNN、nn.GRU和nn.LSTM。這些類別的基類（Object）可用於表示深度雙向循環神經網絡。
· 單元層類別（Cell-level classes），包括nn.RNNCell、nn.GRUCell和nn.LSTMCell。這些類別的基類僅可用於表示單個單元（如簡單RNN、LSTM及GRU的單元），即處理輸入數據一個時間步長的單元。
因此，當神經網絡中不需要太多定製時，多層次類別對單元層類別來說，就像是不錯的包裝類（wrapper）。
此外，構建一個雙向RNN非常簡單，只需在多層次類別中將雙向實參設置爲True就可以了。
TensorFlow：
TensorFlow提供tf.nn.rnn_cell模塊用於構建標準RNN。
tf.nn.rnn_cell模塊中最重要的類別包括：
· 單元層類別（Cell level classes）：用於定義RNN的單個單元，即BasicRNNCell、GRUCell和LSTMCell。
· 多RNN單元類別（MultiRNNCell class）：用於堆棧多個單元，以創建深度RNN。
· 隨機失活包裝類別（DropoutWrapper class）：用於執行dropout正則化。
Keras：
Keras庫提供的循環層包括：
· 簡單RNN——全連接RNN，其輸出被反饋到輸入中
· GRU——門控循環單元層
· LSTM——長短時記憶層
TensorFlow、PyTorch和Keras都具有構建常見RNN架構的內置功能。它們的區別在於接口不同。
Keras的接口非常簡單，包含一小串定義明確的參數，能夠使上述類別的執行更加簡單。作爲一個能夠在TensorFlow上運行的高級API，Keras使得TensorFlow更加簡單。TensorFlow和PyTorch兩者的靈活性差不多，但是後者的接口更加簡潔明瞭。
TensorFlow、PyTorch、Keras易用性對比
TensorFlow常因其範圍狹小的API而被詬病。相比之下，PyTorch對用戶則更爲友好，使用也更加簡單。總之，PyTorch與Python語言的融合更爲緊密，也更加自然。而在TensorFlow框架中編寫程序時，程序員常感到自己與模型之間彷彿隔着一堵磚牆，只留下了幾個洞孔用於交流。
下文將討論並比較更多影響這三個框架易用性的因素：
· 靜態計算圖vs動態計算圖：
計算圖是NLP中非常重要的一個因素。TensorFlow使用靜態計算圖，PyTorch則使用動態計算圖。
這也就意味着在TensorFlow中，需要先靜態定義計算圖，再運行模型。所有與外界的溝通都通過tf.Session對象和tf.Placeholder進行，而這兩個張量在運行時庫中都會被外部數據替代。
PyTorch中的計算圖則更爲重要和靈活。用戶可以根據需要定義、改變和執行節點，無需依賴特殊的會話接口或佔位符。
RNN靜態圖的輸入序列長度通常是固定的。也就是說，開發一個英文句子情感分析模型必須將句子長度固定到某個最大值，並用0填充所有過短的序列。這真的很不方便。
· 調試：
由於PyTorch在運行時庫中定義計算圖，所以用戶可以使用自己喜愛的調試工具，如pdb、ipdb、PyCharm debugger、old trusty print statements等。
但上述情況並不適用於TensorFlow。在TensorFlow中，用戶可以選擇使用一個名爲tfdbg的特殊工具，用於評估運行時庫的TensorFlow表達式和瀏覽會話作用域中的所有張量和操作。但是，這一工具顯然不能調試python代碼。所以用戶還必須再使用pdb進行調試。
· 社區規模：
和PyTorch相比，TensorFlow更加成熟，其社區規模比PyTorch和Keras的社區規模加起來還要大得多，用戶基數的增長也比PyTorch和Keras要快。
這也就意味着：
· 有更大規模的社區，如StackOverFlow上的社區，幫助你解決問題
· 有更多的線上學習資料，如博客、視頻、課程等
· 能更快掌握最新的深度學習技術
NLP的未來
循環神經網絡作爲用作NLP任務的專業架構已經有相當長的一段時間了，但這一情況並不會長期不變。一個最新開發的基於注意力機制的變換模型（transformer model）已經在研究者之間流行開來。
這一模型已經代替RNN成爲了新的NLP標準。一些評論家認爲，Transformer將會成爲2019年主流NLP深度學習架構。
在這場比賽中，TensorFlow似乎領先於另外兩個框架：
· 首先，注意力架構是Google自己研發的。
· 其次，只有TensorFlow有Transformer穩定版架構。
但這並不是說PyTorch已經遠遠地落在了後面。Huggingface的GitHub已經發布了很多預訓練的PyTorch transformer模型：https://github.com/huggingface/pytorch-transformers。
另外，Google最近發佈的TensorFlow 2.0很可能將帶來翻天覆地的變化！
具體來說：
· Keras將會成爲TensorFlow的高級API，其功能將會被擴展，使得用戶能夠在tf.keras上直接使用TensorFlow的最新功能。任一範圍的TensorFlow及其硬件設備都將具備Keras的簡便性。
· TensorFlow 2.0默認爲動態圖機制（eager execution）。用戶甚至在eager context中也可以使用計算圖，這將使調試和原型設計更爲簡單。TensorFlow運行時庫則會在後臺調控性能和規模。
· TensorBoard會和Keras整合——這在目前無法實現。
所以，本文猜想，TensorFlow 2.0將會消除幾乎所有TensorFlow的不足。TensorFlow作爲所有深度學習任務專業框架的地位將會得到鞏固，甚至變得更好！