对于许多数据科学家、工程师和开发人员来说，TensorFlow是他们深度学习框架的第一选择。TensorFlow 1.0于2017年2月发布，至少可以说，它不是非常用户友好。
在过去几年中，两个主要的深度学习库已经获得了巨大的普及，主要是因为它们比TensorFlow更容易使用：Keras和Pytorch。
译者注：TensorFlow 2.0已经将keras作为主要API，在TensorFlow 1.0中，也可以非常容易的引入Keras API。
本文将列出Keras与Pytorch的4个不同方面，以及为什么您会选择其中一个而不是另一个库。
Keras
Keras本身并不是一个框架，实际上它是一个位于其他Deep Learning框架之上的高级API。目前它支持TensorFlow、Theano和CNTK。
Keras的独到之处在于其易用性。它是迄今为止最容易上手和运行的框架。在Keras中，定义神经网络是直观的，而使用functional API允许开发人员将层定义为函数。
Pytorch
Pytorch是由Facebook的AI研究小组开发的深度学习框架（类似于TensorFlow）。像Keras一样，它也抽象了深度网络编程中大部分容易引起混淆的细节部分。
就高级和低级编码风格而言，Pytorch位于Keras和TensorFlow之间。它比Keras有更多的灵活性和控制力，但与此同时您不必做让人疯狂的声明性编程。
深度学习开发者整天都在争论应该使用哪个框架。一般来说，这取决于个人喜好。但是在做选择时您应该了解Keras和Pytorch的不同特点。
(1) 定义模型的类和函数对比
为了定义深度学习模型，Keras提供了Functional API。使用Functional API，神经网络被定义为一组序列函数，依次应用这些函数。例如，层1的输出是层2的输入：
img_input = layers.Input(shape=input_shape) x = layers.Conv2D(64, (3, 3), activation='relu')(img_input) x = layers.Conv2D(64, (3, 3), activation='relu')(x) x = layers.MaxPooling2D((2, 2), strides=(2, 2))(x)
在Pytorch中，您需要将网络设置为一个类，该类扩展了Torch库中的torch.nn.Module。与Keras类似，Pytorch提供了层作为构建块，但由于它们位于Python类中，因此它们要在类的 __init__() 方法中引用，并由类的 forward() 方法执行。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 64, 3)
self.conv2 = nn.Conv2d(64, 64, 3)
self.pool = nn.MaxPool2d(2, 2)
def forward(self, x):
x = F.relu(self.conv1(x))
x = self.pool(F.relu(self.conv2(x)))
return x
model = Net()
因为Pytorch允许您使用所有Python的类特性而不是简单的函数调用，所以定义网络可以更清晰、更优雅。这真的没什么不好的，除非您真的觉得尽可能快地编写网络代码是最重要的，这样Keras会更容易使用。
(2) 张量和计算图与标准数组的对比
Keras API隐藏了许多容易引起混乱的编程细节，定义网络层非常直观，默认设置通常足以让您入门。
只有当您实现一个相当尖端或”特别结构”的模型时，您才真正需要使用低级别的TensorFlow细节API。
棘手的是，当您真正深入到更低级别的TensorFlow代码时，您将获得随之而来的所有具有挑战性的部分！您需要确保所有矩阵乘法都排列正确。哦，甚至不要考虑尝试打印出图层的一个输出，因为这样只会在终端上打印出一个漂亮的Tensor定义。
Pytorch在这些方面倾向于更加宽容。您需要知道每个层的输入和输出大小，但这是一个可以很快掌握的简单方面之一。您不必处理和构建一个您无法在调试中看到的抽象计算图。
译者注：这里实际上是吐槽TensorFlow的张量图并非即时计算，现在TensorFlow引入了eager模式，不再存在此问题。
Pytorch的另一个好处是您可以在Torch 张量和Numpy阵列之间来回切换。如果您需要实现自定义的东西，那么在TF张量和Numpy阵列之间来回转换可能会很麻烦，需要开发人员对TensorFlow会话有充分的了解。
Pytorch互操作实际上要简单得多。您只需要知道两个操作：一个将Torch Tensor（一个Variable对象）切换到Numpy，另一个切换到相反的方向。
当然，如果您不需要实现任何花哨的东西，那么Keras会做得很好，因为您不会遇到任何TensorFlow障碍。但如果您需要这样做，那么Pytorch可能会更顺畅。
(3) 训练模型
在Keras训练模型非常容易！只是一个简单的.fit()，即可启动！
history = model.fit_generator(
generator=train_generator,
epochs=10,
validation_data=validation_generator)
在Pytorch中，训练模型包括几个步骤：
- 在每批次训练开始时初始化梯度
- 执行正向传递;
- 进行反向传递
- 计算损失并更新权重
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# Get the inputs; data is a list of [inputs, labels]
inputs, labels = data
# (1) Initialise gradients
optimizer.zero_grad()
# (2) Forward pass
outputs = net(inputs)
loss = criterion(outputs, labels)
# (3) Backward
loss.backward()
# (4) Compute the loss and update the weights
optimizer.step()
仅仅为了进行训练，需要这么多的步骤！
这种方式，您可以掌握每一步过程。但与此同时，由于这些模型训练步骤在训练不同模型时基本保持不变，因此非常不必要。
(4) 控制 CPU 和 GPU 模式
如果安装了tensorflow-gpu，则默认情况下在Keras中会启用并使用GPU。如果您希望将某些操作移动到CPU，则可以通过一行代码做到。
with tf.device('/cpu:0'):
y = apply_non_max_suppression(x)
对于Pytorch，您必须为每个torch张量和numpy变量明确启用GPU。如果您在CPU和GPU之间来回切换以进行不同的操作，这会使代码变得混乱，并且可能容易出错。
例如，要将我们以前的模型转移到GPU上运行，我们必须执行以下操作：
# Get the GPU device
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Transfer the network to GPU
net.to(device)
# Transfer the inputs and labels to GPU
inputs, labels = data[0].to(device), data[1].to(device)
这里，Keras凭借其简洁和优雅的默认设置赢得了胜利。
选择框架的建议
我通常给出的建议是从Keras开始。
Keras绝对是最容易使用、理解并快速上手的框架。您不必担心GPU设置，摆弄抽象代码，或者做任何复杂的事情。您甚至可以进行自定义图层和损失函数的操作，而无需触及任何一行TensorFlow代码。
如果您确实开始深入了解深层网络中更细粒度的方面，或者正在实现非标准的东西，那么Pytorch就是您的首选库。对Keras来说，这将是一项额外的工作，但不是那么多，以至于它会减慢您的速度。您仍然可以快速实施、训练和测试您的网络，还可以轻松调试！
