當你準備要踏進深度學習的實戰世界時，
第一個會遇到的問題通常不是「要怎麼設計模型」，
而是 「要用哪個框架來做」 。
這有點像是你要學做菜時，必須先決定你要用的是鍋子還是烤箱一樣，
雖然兩者都可以做出美味的料理，但過程和方式會不太一樣。

而在深度學習領域中，
最主流的兩大框架就是 「TensorFlow」 和 「PyTorch」。
這兩個名字幾乎是所有 AI 工程師和研究者的日常，
而且它們分別有各自的背景及特色。

什麼是深度學習框架？

如果你從零開始寫一個深度學習演算法，
理論上要自己處理很多事情。
你可能需要去寫出前向傳遞（forward propagation）、反向傳遞（backpropagation）、
梯度計算、參數更新等等。
就像你要土法煉鋼(物理的)蓋一棟房子時，得自己煉鋼、做水泥、搬磚頭、蓋房子...，
這樣不但耗時，也可能住沒幾天就倒了。

所以說專業的事還是要給專業的來做，
深度學習框架就是為了幫你把這些基礎的工程細節包裝起來。
它會提供現成的工具，例如像是「神經網路層」、「優化器」、「損失函數」等等。
這樣你只需要專注在模型設計和資料應用上，而不用煩惱那些複雜的數學和底層運算。

而在這個層面上， TensorFlow 和 PyTorch
就像是兩家提供建材的公司，
它們都能幫你蓋出一棟房子，只是建材的風格與使用方式有差別。
以下就來分別介紹這兩個「公司」的特色吧:

TensorFlow：Google 的企業級解決方案

TensorFlow 是 Google 在 2015 年釋出的開源框架。
它的名稱來自前面有講到的「Tensor」（張量）和「Flow」（流動），
意思就是 「資料以張量的形式流動」。

TensorFlow 一開始的設計就非常注重「規模」和「部署」，
因為 Google 自己就需要在龐大的基礎設施上跑深度學習模型。

例如 Google 翻譯、YouTube 推薦系統、
甚至 Android 手機上的 AI 功能，背後都有 TensorFlow 的影子。

TensorFlow 的特色在於它的完整生態系，以下就介紹一些你可能聽過的：

-Keras：

它是一個高階 API，可以讓你用非常簡單的方式寫神經網路。
以前 TensorFlow 程式碼很繁瑣，但有了 Keras 之後，新手能快速上手。

-TensorBoard：

這是一個視覺化工具，讓你能即時看到模型訓練的過程，
例如損失下降的曲線或準確率的變化。

-TensorFlow Lite：

專門為手機和物聯網裝置設計，讓模型能在低資源環境中執行。

-TensorFlow Serving：

方便把模型部署到伺服器上，支援大規模服務。

看到上面每個功能，你可以發現TensorFlow 就像是一位嚴謹的工程師，
他給了我們非常充足的工具庫，幫我們考慮到從「訓練」到「部署」的完整流程。
對於想要做產品、需要長期維護的專案，TensorFlow 是一個 「穩定的選擇」。

參考資料:
https://www.tensorflow.org/learn?hl=zh-tw
https://zh.wikipedia.org/zh-tw/TensorFlow

PyTorch：研究人員的最愛

PyTorch 則是由 Facebook（Meta）在 2016 年推出的。
它比 TensorFlow 晚出場，但很快就受到了研究社群的歡迎，
原因在於它的 設計哲學。

PyTorch 的核心是一個 「動態計算圖」 系統。
這代表你在寫程式時，模型的運算圖是隨著程式執行而 動態生成 的。

換句話說，當你在 Python 裡寫 for 迴圈或 if 條件，PyTorch 能直接配合，
行為就像一般的 Python 程式一樣自然。

這個特點帶來了兩個很大的優勢：

-直觀好寫：

你不用額外學一套語法，對 Python 熟悉的人來說，PyTorch 幾乎是零門檻。

容易 Debug：

因為程式碼本身就是 Python，你可以直接用斷點去檢查中間的變數，
這對研究人員來說非常重要。

另外，因為研究社群偏愛 PyTorch，所以很多最新的 AI 論文、
開源模型和工具庫（例如 Hugging Face 的 NLP(自然語言處理) 模型）、
甚至是我們耳熟能詳的特斯拉自動駕駛、Uber的Pyro
都是使用 PyTorch 開發的。
這讓 PyTorch 在 「創新」 和 「實驗」 的領域中非常強勢。

根據我們查閱的資料可以看到，PyTorch 就像是一位靈活的研究員，
他能快速幫你試驗新想法，寫程式也不會太有壓力。
可以說如果你想跟上最前沿的研究，PyTorch 幾乎可以說是必學的。

參考資料:
https://zh.wikipedia.org/zh-tw/PyTorch
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

超級比一比:到底誰比較適合我?

當我們在學習深度學習框架時，最常遇到的問題就是：
「到底要學 TensorFlow 還是 PyTorch？」
這個問題沒有絕對的答案，就像是在選擇要用 Windows 還是 macOS。
兩者都有自己的優點，差別在於你要用它來做什麼。

在我根據自己查閱並整合資料後，我可以給出以下大致建議及結論:

你現在是 學生或研究人員，那會建議先學 PyTorch，
剛剛前面有提到，因為它跟python的概念幾乎一樣，
所以它也是能最快體驗到「跑得起來」感覺的框架，
同時因為很多人同時也在使用此工具，
因此研究社群也可以幫助你解決疑難雜症。

而如果你現在要佈署一個要上架的 AI 專案，
就會建議使用TensorFlow，
但也並不是說 「PyTorch 適合新手，TensorFlow 適合專業」，
這句話並沒那麼精確，
而是因為TensorFlow本身就具備了很多完整的功能，
相較於PyTorch比較適合專案精細的開發，
又抑或是產業級部署。

最後我們就用一個比喻對兩個得比較做收尾:

我會形容 PyTorch 像是一把好用的小刀，很輕巧靈活，
比較適合學習和實驗這些靈活度高的工作；

而 TensorFlow 更像是一整套專業的設備，雖然複雜一些，
但能讓你真正產出一個pro的成果。