文档乱、调试难…TensorFlow有那么多缺点，但为何我们依然待它如初恋？

本篇文章2853字，读完约7分钟

雷·技术评论:作为Google alphago背后的强大推动力，开源产品tensorflow在2015年底受到了极大关注。目前，在所有的机器学习框架中，如果说它是第二受欢迎的，没有人敢说他是第一个。

尽管有谷歌的支持，社区很好，资源也很多，但是学生在使用张量流的过程中经常会不小心跳进坑里，严重影响了体验。

最近，一个同学在智湖上问了一个问题[张量流有哪些不可接受的方面？】，表达张量流在使用中的不便，顺便问一下，是否有更好的方法绕过这些凹坑。仅在一个月内，这期杂志的页面浏览量就达到了100，000多，成千上万的人关注着它。

作为问题的提出者，这位同学也试图给出一个答案。他说，提出这个问题的初衷是为了引起人们对tf的更多的理性思考和进一步的讨论，而不是盲目的崇拜。在所有42个回复中，雷锋的《人工智能科技评论》也总结了一些有趣的现象。

张量流的图考会议

结合智湖网友的回答和业内相关人士对张量流的评价，《人工智能科技评论》梳理出张量流经常被“吐”的一些问题。

文档和界面混乱

因为它的应用编程接口发展太快，更新太频繁，一些常用的函数和方法会被不断地移动。例如，rnn将从前一个nn接口移动到contrib接口，在编写代码时需要经常阅读文档。底部接口写起来很麻烦，而顶部接口不灵活，封装混乱。

默认情况下，它会占用所有图形处理器的所有内存

在实验过程中，并不是每个人都有多个可用的图形处理器。当gpu不可用时，Tf会自动在cpu上运行，这一方面会降低速度，另一方面，当共享显卡时，您甚至不知道它在cpu上运行。虽然tf会打印设备信息，但tf启动时的输出信息太复杂，每次都无法仔细阅读。

使用麻烦

显然还有其他更通用的模块可以使用，但是tf模块应该在每个细节中使用。例如，虽然默认的python库argparse是可用的，但是tf.app.flags在许多tf示例代码中使用。

理解过程控制是非常困难的

语句中有条件分支，例如，当a>0时，很难调试a

Tensorflow是一个静态的图表框架，api经常变化。打印中间结果只能通过会话或学习额外的tfdbg工具来生效。如果您使用像pytorch这样的动态框架，您不需要学习额外的工具，只需使用像ipdb这样的普通python调试工具。

总的来说，在使用tf的过程中有很多非个人的地方。然而，并非每个工具都是完美的。虽然tf有许多缺陷，但是关于框架使用的统计数据可以最好地解释这个问题。所谓的“tf虐待我无数次，我把tf当成我的初恋。”

Tf渗透率遥遥领先

下表显示了github上每个开源框架的数据统计(数据统计是在2017年9月6日)，我们可以看到tensorflow在星型、分叉型和贡献型的数量上优于其他竞争对手。

此外，特斯拉人工智能公司(Tesla ai)负责人安德烈·卡普西(Andrej Karpathy)通过分析过去五年(2017年初)arxiv的论文数据，比较了各种深度学习框架的使用情况，并查看了以下图片:

下图显示了2012年1月至2017年3月期间每个框架的使用发展趋势。

下图比较了2017年3月在arxiv上提交的论文中提到的深度学习框架。

结合以上两张图片，我们可以看到，自从谷歌在15年末启动tensorflow以来，其用户数量一直在稳步增长，并且一直在高速增长。到3月17日，它已经处于不可动摇的地位。(pytorch在2017年1月才开放源码，所以这里没有可比性)

《艾科技评论》还总结了张量流的几个优点。

在谷歌的支持下，tensorflow拥有最完整的文档和资源，许多模型都有tf源代码实现。此外，用户基数很大，因此一旦出现问题，很容易找到解决方案。

张量流有一个强大的可视化组件，张量板，它可以可视化网络结构和训练过程。它有助于观察复杂的网络结构和监测长期和大规模的培训。

虽然张量流是一种静态的图形操作，它会给调试带来困难，但它将极大地方便部署。目前，除了caffe之外，没有其他架构可以支持静态图形操作，但是caffe编程比tf更复杂。

有趣的是，咖啡屋的作者贾也把改名为张量流上之湖。

他提到tf是目前唯一在核心设计层面支持动态控制流的框架，也是少数几个经历过大规模多应用部署测试的框架之一。张量流可以面对实际应用中的约束，部署到真正的核心产品中。它支持大规模推荐系统和移动产品的部署，这是许多框架无法实现的。

“tf确实很难，但它为您提供了真正产品化的可能性。当你只看到一棵树时，许多问题都很简单。当你看到森林时，解决办法是不同的。”

在计算了利弊之后，问题来了。对于那些不能忍受张量流缺点的人，他们正在考虑是否应该改变框架。对于那些还没有进入深坑的学生，他们应该使用什么样的框架？

当前主流框架之间的巨大反差

主流框架的比较是一个讨论已久的话题，相关的帖子和文章层出不穷。在今年3月的斯坦福大学cs231n会议上，李菲菲、贾斯汀·约翰逊和杨小莉还比较了当前的几种主流框架，并给出了建议。

Tensorflow并不完美，但它有利于部署并拥有稳定的社区。此外，它有许多图书馆，如喀拉斯和十四行诗。

Pytorch适合研究，但它是新的，所以你可能有很多漏洞需要填补。

除tensorflow外，caffe和caffe2也可用于产品部署。

手机上可以考虑张量流或caffe2。

此外，北京大学的吴炳哲也对智虎给出了很好的回答。他以前用pytorch、tensorflow和mxnet做项目，认为应该根据自己的需要选择模型。

当我需要快速验证我的一些想法时，我通常使用pytorch来快速实现它们。此外，pytorch的底部计算代码是用C语言编写的，它与torch共享一组底部计算代码。阅读原始代码和进行定制修改更容易。

当做一些有大量数据的长期训练时，我会使用张量流，比如张量流提供的张量板的训练和监督，以及它自己的分析和调试功能。另一个原因是，它可以轻松地将模型部署到手机上。现在咖啡二号出来了，这可能是一个更好的选择。

此外，在选择框架时，您还应该参考您已经完成的项目。例如，大多数在个人id中完成的工作都是基于caffe修改的。此时，您需要考虑将这些任务迁移到其他框架中，并且您会不时遇到坑。

Mxnet为对象定位提供了一些有效的实现。

他还强调，“现在框架迭代的速度越来越快。mxnet最近引入了gluon的接口，api是以pytorch为模型的。不久之后，张量流也将有一个相应的接口。”

摘要

在实验过程中，许多学生总是对框架想得太多。这个框架的速度是多少？使用起来有多容易？为什么文件这么乱？为什么使用起来这么不方便？接着发生了一连串的争吵。他们经常忽略最关键的东西，框架只是一种手段，重要的是你想解决什么问题，以及你解决问题的想法。

在这里，我借用贾的一句话，“框架就是框架，最后我要能活下去。”

雷锋。(公开号码:雷锋。人工智能科技评论。雷锋。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。