先来回答一下你提的几个问题：Pytorch连最基本的maximum, minimum, tile等等这些numpy和tensorflow中最简单的运算都没有，用view来reshape还会报错contiguous(虽然我知道怎么解决)，官方手册也查不到相应说明，这个东西到底好用在哪里?

你说的那几个函数pytorch中都有(或者可以实现)maximum： torch.max() 同时包含了numpy.max 和numpy.maximum的功能

minimum：torch.min()

np.tile(arr,(100,100)) 等价于 tensor.repeat(100,100)

contiguous的问题我经常听别人提问，但我从未遇到过(我几乎从未调用过`tensor.contiguous()`)，大多数人也很少会把tensor弄成不连续。之所以tensor会不连续，是为了能够共享内存，更高效的内存利用(其实只要PyTorch在设计的时候把所有的不连续操作都返回一个连续的tensor即可解决这个问题，但是不值得，大多数不连续的tensor都会进行一个reduce操作，然后就变成了连续的了)。

numpy那么多函数，PyTorch不可能都支持，即使不支持，也可以在numpy中实现，然后转成tensor，毕竟numpy和tensor之间的转换极其高效快速(他们共享内存).这个东西到底好用在哪里?

还是说就是定义网络结构简单?

PyTorch到底好在哪，其实我也只是有个朦胧的感觉，总觉的用的舒服自在，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。可以看看pytorch/vision 里面的几个经典的网络定义，我觉得很难找到比它更简洁易懂的模型定义了。

网络模型定义只是很基础的一部分，更重要的是模型的使用。比如在使用预训练模型finetue时，我们需要修改预训练模型某些层，新增某些层，删除某些层，新增的层希望给他较高的学习率，之前预训练的层希望学习率设为0。scene-baseline 是我前几天为AI challenger 场景分类写的baseline，可以参考一下，只用了几行代码就实现了预训练模型finetune(新增某些层，删除某些层，修改某些层)，以及为不同层设置不同学习率 scene-baseline-optimizer 。

再比如在尽可能不修改原来模型源代码的情况下，获取预训练好模型的某些层的输出(Fast Neural Style需要用到)，或者是使用多个预训练好的子模型，分别初始化一个复杂模型的某一部分，因为子模型的结构都是相似的，所以可以让这些子模型共享某些层的参数(知乎看山杯我就用了这个策略。表述的可能很复杂，其实在模型的构建只用了几行)

谈太多框架的使用，可能比较枯燥，只有你自己用了才知道，PyTorch真的是越用越顺手。

下面说几点其它的看法，没有什么条理，不论证举例，只说想法，只是个人看法，不必太认真：

1.PyTorch比TF更符合Unix/Python哲学

Unix哲学：做一件事，并把它做好。(真的要在做实验的时候考虑如何把模型部署到手机，利用TPU加速？)

Unix哲学：KISS(keep it simple, stupid)。github上TF有接近100万行代码，PyTorch只有它的十分之一多一点。TensorFlow创造了 图、会话、命名空间、PlaceHolder 等一大堆全新的概念，简直就是一门新的语言。TensorFlow是Make It Complicated ，TensorFlow+Keras是Make It Complicated And Hide It。而Keras的Hide it又违反了Python的哲学(扁平胜于嵌套 )，丧失了灵活性。而PyTorch就是tensor-autograd-nn 三级封装~ 简洁易懂

Python之禅：尽量找一种，最好是唯一一种直观易懂的实现方案(猜猜TF中RNN有多少种实现，猜猜除了Keras、Sonnet、TFLearn、TensorLayer、Slim、PrettyLayer之外tensorflow还有多少个第三方API )。PyTorch的不同人写的代码都差不多，很容易看懂。The Zen of Python, by Tim Peters

优美胜于丑陋

明了胜于晦涩

简洁胜于复杂 复杂胜于凌乱

扁平胜于嵌套

间隔胜于紧凑

可读性很重要

即便假借特例的实用性之名，也不可违背这些规则

不要包容所有错误，除非你确定需要这样做

当存在多种可能，不要尝试去猜测

而是尽量找一种，最好是唯一一种直观易懂的实现方案虽然这并不容易，因为你不是 Python 之父

做也许好过不做，但不假思索就动手还不如不做

如果你很难向人描述你的实现，那肯定不是一个好实现命名空间是一种绝妙的理念，我们应当多加利用

如果你很难向人描述你的实现，那肯定不是一个好实现

2.快速

在大多数人写的代码中PyTorch都比TensorFlow快，并不是说TensorFlow慢，只是你要用TensorFlow写出同等速度的代码会稍微困难一些(单单是数据加载这一块就会难倒许多人)

3.强大的社区

facebook的FAIR强力支持，FAIR是全球TOP3的AI研究机构。PyTorch论坛，文档，tutorial，一应俱全。FAIR的几位工程师更是全职维护开发，github上PyTorch每天都有许多pull request和讨论。

你很难听到有谁说TF好用，最多是诸如谷歌支持，社区强大，文档完善，功能齐全等等。但是PyTorch你只要深度用过一段时间，就会喜欢上它的。很多人自来水安利PyTorch，当然不是facebook给钱，或者是博得多少点击量，真的是因为它太好用了。

其实关于TensorFlow还有一点让我颇为不满的是，现在媒体总是觉得谷歌的东西就是最好的，每回TensorFlow有什么更新，都要搞个大新闻。而且，谷歌喜欢把一个项目的目标当成这个项目的特点来宣传，但是TensorFlow的实际表现，配不上它的名气。

4.简洁易懂的代码

一个框架你不懂源码，你就不能完全掌握它的运行原理，像tensorflow的`sess.run`简直就是个黑箱。而PyTorch几乎是我用过框架中源码最易懂的，任何一个操作，不论多么高级复杂，都能轻松的找到它对应tensor操作(Caffe/tinydnn也挺简洁的，但是我的C++比较渣)

nn.Module代码是PyTorch中对所有模型对象的封装，我觉得几乎所有人都应该看看，深度学习框架的设计可以很简单！现在Gluon，Sonnet，nnabla等框架也都开始模仿这个设计api~

5.快速实现

深度学习炼丹的过程中，我们肯定都有许多奇思妙想，但这些奇思妙想需要做实验来验证。如果实现比较困难费时，在不确定这个想法是否有效的情况下，我们很容易打退堂鼓。PyTorch可以解放你的想法，用tensor的思维思考代码，一切操作皆tensor，一切tensor能做的，PyTorch都能做到，而且做的像操作tensor一样。

用TensorFlow 我能找到很多别人的代码

用PyTorch 我能轻松实现自己的想法

而且github上很多tensorflow的代码也不能跑了不是吗？毕竟TF常年一步一大更新，不怎么考虑向后兼容。随着同学的更新TF，我眼睁睁看的我的TF代码从运行正常，到警告，到报错

PyTorch实现的项目在github上也有很多，不是吗？基本上所有的研究方向都能找到质量很高的PyTorch开源方案。

6.关于PyTorch的几个误解

PyTorch社区不强大 ？：看上文

PyTorch 文档不齐全？：我觉得PyTorch的文档几乎是所有框架中最好的，这些文档都是作者在设计的时候就写好的，不是别人看着代码，凭借着自己理解写的。 而且PyTorch文档中的给出了很多示例，在IPython下可以直接拷贝运行，做实验测试。

PyTorch中没有TensorBoard? lanpa/tensorboard-pytorch 不仅功能强大(支持Tensorboard几乎所有的操作，连计算图都支持，只是显示效果不好)，而且接口简单(比tf的tensorboard api易用)。而且除了Tensorboard还有Visdom可以用~

PyTorch动态图性能比较差？见上文，同等水平的人用PyTorch写出来的代码普遍要比TensorFlow快。当然我认为极限情况下TensorFlow会比PyTorch快，详情可以看TensorFlow官方的benchmark，只是写的代码很复杂，普通用户写不出来。

总感觉表述有点匮乏，表达也不是很流畅，还有很多没表达出来的。可以看看其他人是怎么说的：

PyTorch和TensorFlow到底哪个更好？看看一线开发者怎么说 (帖子是3月份初发的，这时候PyTorch才发布一个多月，但几乎所有用过的人已经都在夸赞)