PyTorch到底好在哪，其实我也只是有个朦胧的感觉，总觉得用舒服自在，用其它框架的时候总是觉得这里或者那里别扭。第一次用PyTorch几乎是无痛上手，而且随着使用的增加，更是越来越喜欢：PyTorch不仅仅是定义网络结构简单，而且还很直观灵活。静态图的网络定义都是声明式的，而动态图可以随意的调用函数(if，for，list什么的随便用)，两者的差距不是一点点。
网络的定义在任何框架中都应该是属于最基础最简单的一个内容，即使是接口繁多的tensorflow，通过不断的查文档，新手也能把模型搭起来或者是看懂别人的模型。这个PyTorch也不例外，它的优势在于模型定义十分直观易懂，很容易看懂看别人写的代码。
PyTorch这种动态图框架在debug的时候超级超级超级方便!因为基本上计算图运行出错的地方，就在图定义的那行代码上。
PyTorch优点有那些：
动态图，Tensor Numpy互转，pythonic，debug方便，可读性强，上手快，适合research，也不算优点吧，何大神在Facebook，估计开源的代码是pytorch实现的。
在pytorch将tensor转成numpy是多么的自然，而在tensorflow中又是多么的别扭，例如突然有一天我想将图中的中间节点拿出来，然后做个numpy运算，在继续运行图.就会发现pytorch是如此优雅，research不就是这么的充满骚操作么，project就得中规中矩的tensorflow。
其实PyTorch本质上是Numpy的替代者，而且支持GPU、带有高级功能，可以用来搭建和训练深度神经网络。如果你熟悉Numpy、Python以及常见的深度学习概念(卷积层、循环层、SGD等)，会非常容易上手PyTorch。
Pytorch 本身设计之初就是以py为主，这就要求在cpp和python之间尽可能的向python 靠拢，所以在pytorch中，所有Module 类都含有对一个forward 和backward的方法，哪怕是不懂cffi ，也可以轻松使用cpp cuda拓展的op。
pytorch也是从torch迁移而来的，它非常适合于研究任务或者小型的部署任务。对于研究者或者学术而言，做出原型才是王道。pytorch几乎和python是一脉相承的，可以各种使用python的原生代码，写起来如沐春风，简洁明快。
而tensorflow 的方向是对的，符号编程，lazy就是比命令编程，eager先进，更适合并发并行的潮流。当然用户体验是第一位的，用户就是要爽，你先进但体验不好，对不起我不用。另外动态建图带来的好处是大大降低了调试的难度，相比于tf，你可以在任何地方监控变量的变化，而不用去开什么session。
动态建图使得你可以按照很常规的思路去实现自己定制的神经网络，完全不用动脑子去考虑如何迁移到静态图构建这种烂事儿上。符号编程和lazy是可以满足用户体验要求的。但是很可惜，tensorflow 自己实现的差，作为最有影响力的框架，败坏了符号编程的名声。
PyTorch更有利于研究人员、爱好者、小规模项目等快速搞出原型。而TensorFlow更适合大规模部署，特别是需要跨平台和嵌入式部署时。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLQ、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，文末附免费下载方式。
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。