看样子，PyTorch超过TensorFlow指日可待了。
这个结论，来自于这样的数据：
2019年1月到6月底，在arXiv.org上发表的论文中，提及TensorFlow和PyTorch的数量相差无几，PyTorch仅稍稍落后。
但最关键的在于增长速度：与2018年1月到6月相比，PyTorch增长了194%。相比之下，TensorFlow的增长幅度仅为23%。
一方面有足够的基数，另一方面又有足够的增速，PyTorch已经具备超过TensorFlow的可能性。
数据来自于RISELab——隶属于加州大学伯克利分校的研究机构，目标是研发下一代大数据计算系统。
公布出来之后立即引发网友热议。
与之前不同的是，这次不是“PyTorch真香”现场，主题变成了吐槽TensorFlow。
吐槽TensorFlow现场
在Reddit上的机器学习板块，这一话题已经有了200热度，获得80条评论。
其中排名第一的评论就是：
TensorFlow一直让人头疼，所以很高兴看到这么快就采用PyTorch。
到底如何头疼？也有不少网友给出了解释：
Tensorflow 1.0兼容性差
名为“bunny113”的网友评论称：
从GitHub repo中获取的Tensorflow 1.0代码，在其他版本上不起作用。
所以，我现在只用PyTorch。我喜欢它的动态性，而不是Tensorflow的静态性。
不断变化令人头疼
关于TF，让我头疼的一件事是不断变化。最初你必须从头构建模型，然后出现了TF.estimator (TF.layers) API，现在TF.keras将成为TF 2.0（以及将 TF.layers 标记为 legacy）中的标准。
也有网友有更加深刻的体会：
TensorFlow现在绝对是一场灾难。微小的版本增量，就会在我的代码中触发几十个弃用警告。
此外，还有其他各种各样的问题，比如TensorFlow很难调试、掌握门槛高等等等等。
吐槽现场链接：
https://www.reddit.com/r/MachineLearning/comments/chx7bq/d_one_simple_graphic_researchers_love_pytorch_and/
Tensorflow的优势之处
尽管有那么多人吐槽，也并不意味着TensorFlow没优点，PyTorch非常完美。
需要注意的是的，这一数据来源是arXiv.org提交的预印版论文，群体几乎全是研究人员。
有网友发问：
研究人员也可能关心性能基准测试，有人关注在它们在硬件兼容性和优化，云支持（谷歌Colab）等方面的表现吗？
当然有，名为”muntoo“网友在评论区中表示：
我使用Tensorflow的主要原因，是Google提供了针对其他平台（例如Android）的集成。
确实，这是Tensorflow的优势，也是PyTorch需要改进的方面。
就在最近，TensorFlow还推出了一个新的图像分割教程，使用的是U-Net风格的架构(和一个预训练的MobileNet)，链接地址：
https://www.tensorflow.org/beta/tutorials/images/segmentation
不过，Fast.ai创始人Jeremy Howard在Twitter上表示，因为深度学习是一个非常新的商业领域，业界与学界联系非常密切。PyTorch在研究人员中的使用大幅增长，也预示着今年会有越来越多的公司采用PyTorch。
你觉得呢？
“
