八年前，Google和Meta的工程師可能不會(huì)想到，他們開源的深度學(xué)習(xí)框架會(huì)分裂出兩個(gè)如此不同的陣營。如今，當(dāng)你想搭一個(gè)卷積神經(jīng)網(wǎng)絡(luò)做圖像分類，選TensorFlow還是PyTorch，依然是個(gè)讓人糾結(jié)的問題。

最近我做了個(gè)實(shí)驗(yàn)：用完全相同的CNN架構(gòu)、完全相同的超參數(shù)，在CIFAR-10數(shù)據(jù)集上分別用兩個(gè)框架跑了一遍。不是看哪個(gè)精度更高——那太無聊了——而是看真實(shí)的開發(fā)體驗(yàn)差距。

先快速過一下背景。TensorFlow是Google出品，Keras高級(jí)API加持，生態(tài)完整，從實(shí)驗(yàn)到移動(dòng)端部署一條龍。PyTorch來自Meta，動(dòng)態(tài)計(jì)算圖讓它寫起來更像原生Python，調(diào)試順手，學(xué)術(shù)界幾乎一統(tǒng)江湖。

實(shí)驗(yàn)控制得很死：Adam優(yōu)化器，學(xué)習(xí)率0.001，batch size 64，跑10個(gè)epoch，交叉熵?fù)p失。兩臺(tái)都在Google Colab的GPU環(huán)境，同一次runtime session，連Python版本都鎖死3.x。

模型結(jié)構(gòu)也不搞花樣，經(jīng)典CNN堆疊：卷積層、池化、全連接，兩邊一模一樣。但代碼寫出來，味道完全不同。

TensorFlow這邊，Keras的Sequential API確實(shí)省鍵盤。幾行代碼模型就搭好了，fit()函數(shù)一鍵訓(xùn)練，日志、回調(diào)、早停都內(nèi)置。但當(dāng)你想改點(diǎn)東西——比如自定義訓(xùn)練循環(huán)，或者中間層抽特征——立馬要掉一層皮。Eager Execution開了之后好不少，可文檔里那些Session、Graph的老梗還在，新手搜教程經(jīng)常撞到版本混亂的墻。

PyTorch則是另一個(gè)極端。nn.Module繼承一下，forward()自己寫，訓(xùn)練循環(huán)純手?jǐn)]。第一遍代碼量比TensorFlow多30%，但每一行在干什么，心里門兒清。動(dòng)態(tài)圖的好處是debug：pdb一設(shè)，中間張量形狀不對(duì)？當(dāng)場(chǎng)打印，當(dāng)場(chǎng)改。不像TensorFlow，報(bào)錯(cuò)信息有時(shí)候繞三個(gè)彎才指向真正的問題。

性能數(shù)據(jù)上，這次10個(gè)epoch跑下來，兩邊驗(yàn)證精度都在72%左右晃，差距不到0.5%。訓(xùn)練時(shí)間PyTorch快了約8%，但說實(shí)話，換塊GPU或者調(diào)下數(shù)據(jù)加載器，這差距可能就抹平了。真正的分水嶺在迭代速度：PyTorch改個(gè)損失函數(shù)，保存重跑，兩分鐘驗(yàn)證想法；TensorFlow同樣的改動(dòng)，經(jīng)常要確認(rèn)Keras版本、檢查compat.v1有沒有漏，心態(tài)容易崩。

部署環(huán)節(jié)TensorFlow扳回一城。SavedModel格式+TensorFlow Serving，生產(chǎn)環(huán)境成熟文檔多。PyTorch的TorchScript和ONNX導(dǎo)出也能用，但坑明顯更多，移動(dòng)端尤其折騰。不過我的實(shí)驗(yàn)只到模型訓(xùn)練為止，這部分沒深入踩。

所以怎么選？我的結(jié)論很功利：如果你在做研究、追論文復(fù)現(xiàn)、需要三天出五個(gè)原型驗(yàn)證想法——PyTorch。如果你在工業(yè)界，模型要塞進(jìn)APP、要A/B測(cè)試、要監(jiān)控報(bào)警——TensorFlow的生態(tài)更扛造。

最諷刺的是，兩個(gè)框架都在互相抄。TensorFlow 2.x學(xué)PyTorch的即時(shí)執(zhí)行，PyTorch 2.0搞編譯優(yōu)化追生產(chǎn)性能。也許再過幾年，這個(gè)選擇題本身就沒意義了。但在2024年，它們依然是兩條分叉的路，選哪條，取決于你更恨調(diào)試地獄，還是更恨部署噩夢(mèng)。