0
雷鋒網AI科技評論按：作為谷歌AlphaGo背后的強大推動力，于2015年底開源的TensorFlow一經推出便受到極大關注。目前在所有機器學習框架中，如果它宣稱使用普及率第二，沒人敢說自己是第一。
雖說有谷歌的背書，社區好，資源多，但同學們在使用TensorFlow的過程中，常常會一不小心跳進坑里，嚴重影響體驗。
近日一位同學就在知乎上提了一個問題【TensorFlow有哪些令人難以接受的地方？】，表達了TensorFlow在使用過程中的不便，順便問了大家有沒有什么更優雅的方法繞過那些坑。短短一個月的時間，該問題的瀏覽量已經達到10萬+，關注者也達上千人。
作為問題的提出者，這位同學也試著拋磚引玉作了回答，他表示提出這個問題的初衷是希望引發大家對TF少一些盲目的推崇，多些理性的思考和進一步的討論。而在全部42個回答中，雷鋒網AI科技評論也總結了一些有意思的現象。
TensorFlow的“吐槽大會”
結合知乎上網友的回答，以及業內相關人士對TensorFlow的評價，AI科技評論整理了TensorFlow目前被“吐槽”頻率比較高的一些問題。
文檔和接口混亂
因為它的API發展太快，經常更新，所以有一些常用的函數方法會不斷挪位置，例如rnn就從之前的nn接口移到contrib接口，寫代碼時需要常常翻閱文檔。底層接口寫起來繁瑣，高層接口不靈活，且封裝混亂。
默認占用所有GPU的所有內存
在實驗過程中，并不是所有人都有多塊GPU可用。tf在GPU不可用時會自動改在CPU上跑，這樣一方面會導致速度變慢，另一方面，在共用顯卡的情況下，你根本就不知道是在CPU上跑。雖說tf會打印設備信息，但是tf啟動的時候輸出的信息太雜了，沒法每次都仔細看一遍。
使用繁瑣
明明有其他更通用的模塊能用，可事無巨細都要去使用tf的模塊。例如雖然有默認的python庫argparse可以用，但在很多tf示例代碼中使用tf.app.flags。
做流程控制非常難以理解
語句中存在條件分支，例如當a>0時執行一步，a<0時執行另一步，如果有多層的這種條件嵌套會很難操作。
調試困難
TensorFlow作為靜態圖框架，api經常變，打印中間結果必須要借助Session運行才能生效，或者學習額外的tfdbg工具。而如果是用PyTorch這樣的動態框架的話，就不需要多學一個額外的工具，只需要用正常的Python調試工具如ipdb就可以了。
綜合看來，在使用TF的過程中，確實存在很多不夠人性化的地方。不過，每個工具都不是完美的，雖說TF缺陷很多，但是對框架使用情況的統計數據最能說明問題，正所謂“TF虐我千萬遍，我待TF如初戀”嘛。
TF普及率遙遙領先
下表為各個開源框架在GitHub上的數據統計（數據統計于 2017 年 9月 6 日），可以看到 TensorFlow 在 star 數量、fork 數量、contributor 數量這三個數據上都完勝其他對手。
此外，特斯拉AI負責人Andrej Karpathy2017年初通過分析過去五年arxiv上的論文數據，對比了各種深度學習框架的使用情況，看圖說話：
下圖是從2012年1月到2017年3月各框架的使用隨時間的發展趨勢。
下圖對比了2017年3月在arxiv上提交的論文中提到深度學習框架的情況。
結合上面兩張圖，可以看到，自15年底谷歌開源TensorFlow以來，它的用戶數增長穩定，而且一直處于高速的增長中，到17年3月，已經處于不可撼動的地位。（pytorch于2017年1月才開源，此處不做對比）
AI科技評論也總結了TensorFlow的幾點優勢。
背靠谷歌這座大山，目前TensorFlow的文檔最全，資源最多，很多模型都有tf的源碼實現。而且用戶基數龐大，一旦出問題很容易找到解決方案。
TensorFlow有功能強大的可視化組件TensorBoard，能可視化網絡結構和訓練過程，對于觀察復雜的網絡結構和監控長時間、大規模的訓練很有幫助。
雖然TensorFlow是靜態圖操作，會給調試帶來困難，但會大大方便部署。除了caffe，目前還沒有其他架構能支持靜態圖操作，但是caffe編程要比TF復雜。
而有意思的是，caffe作者賈揚清也在知乎上為TensorFlow正名。
他提到，TF是目前唯一一個在核心設計層面上支持dynamic control flow的框架，也是極少幾個經歷大規模多應用部署考驗的框架之一。TensorFlow能直面實際應用中的限制條件，部署到真正核心的產品里面，它支持大規模推薦系統和移動端產品的部署，而這點對于很多框架來說沒法實現。
“TF的確難，但是它給你提供了真正可以產品化的可能性。很多問題只看見一棵樹的時候簡單，看見森林的時候，解決方法就不一樣了。”
細數完優點和缺點，問題來了。對于哪些實在忍受不了TensorFlow缺點的人，在考慮是否應該換個框架了。而對于那些還沒入坑的同學，到底該用哪種框架？
當前主流框架大對比
主流框架的對比一直是個長期被討論的話題，相關的帖子和文章也層出不窮。而在今年三月的斯坦福大學cs231n中，李飛飛、Justin Johnson和 Serena Yeung 也對當前幾種主流框架進行了對比，并給出了建議。
TensorFlow雖然不完美，但是利于部署，有穩定的社群。此外它還擁有很多庫，比如Keras和Sonnet等。
PyTorch很適合用于研究，但是它很新，因此你可能有很多坑要填。
除了TensorFlow，caffe、caffe2也可以用于產品部署。
手機端可以考慮TensorFlow或caffe2。
此外，北大的吳秉哲同學在知乎上也給出了很好的解答，他之前用Pytorch，Tensorflow，Mxnet這三個模型都做過項目，認為應該根據自己的需求選擇模型。
在需要快速驗證一下自己某些想法的時候，我一般會用Pytorch快速實現，而且Pytorch的底層計算的代碼是C寫的，并且和Torch共用一套底層計算代碼，想要閱讀原碼并做定制化修改比較容易上手。
在做一些數據量比較大的long term的訓練的時候，我會用tensorflow，比如它提供的tensorboard的訓練監督，還有自帶的profiling和debug功能比較方便，還有個原因就是它可以很方便的把模型deploy到手機上，現在caffe2出來了，或許可以是一個比較好的替代。
另外選擇框架的時候還得參考一下你所做的項目，比如做person re id大多數的工作都是基于caffe修改的，這個時候需要考慮遷移這些工作到其他框架下時不時會遇到坑。
如果做物體定位，Mxnet已經提供了一些操作的高效實現。
他還強調，“現在框架迭代得也越來越快，mxnet在近期推出gluon的接口，API仿照Pytorch設計。不久之后Tensorflow也會有相應的接口推出。”
總結
很多同學在實驗過程中，總是對框架過多考慮。這個框架的速度怎么樣？好用程度程度怎么樣？為什么文檔這么亂？為什么用起來這么不順手？隨之而來就是一系列的吐槽。而他們往往忽略了最關鍵的東西，框架只是個手段，重要的是你想解決的是什么問題，以及你解決問題的思路。
此處借用賈揚清一句話，“框架就是個框架，最終要能出活。”
雷鋒網 AI科技評論。雷鋒網。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
