公司常用的框架有tensorflow 和 pytorch 。下面描述一下企業對框架的使用現狀。
tensorflow 。tensorflow 版本之間變化有點大，1.15的很多api，在2.0後棄用了，對執行環境版本升級有一定的影響。只能是舊的專案沿用舊版本，新專案用新版本;對於tensorflow 的使用呢，有些人直接用原生的tensorflow api，有些人喜歡用封裝後的keras，底層的計算執行庫還是由tensorflow 提供。
pytorch 。有些人對於tensorflow 版本混亂的不滿，慢慢轉投了pytorch 的懷抱。pytorch的api較為穩定，而且提供的多機多卡分散式訓練的api也較為簡單易用。
個人覺得這兩個框架都挺不錯，對於怎麼選擇的話看個人對框架的用途，熟悉程度，與個人偏好吧。如果僅僅是使用框架，兩者區別不是很大。如果是想研究框架本身與機器學習深度學習底層計算演算法以及對演算法進行最佳化，pytorch 作為後來者近年來對gpu執行加速上不斷的努力前行，更受國內外研究人員的青睞。
最後，演算法崗其實不僅僅是研究演算法，還要涉及演算法落地完整流程，包括資料預處理，演算法設計與實現，訓練模型，儲存模型，部署serving服務等流程，有完整一套產業鏈，來保證演算法相關服務正常執行。從這個角度來講，個人更偏向api穩定的pytorch。版本之間如果變化太大，不利於系統環境升級以及後續的程式碼維護。
以上僅為個人拙見，僅供參考，有誤之處多多見諒。
公司常用的框架有tensorflow 和 pytorch 。下面描述一下企業對框架的使用現狀。
tensorflow 。tensorflow 版本之間變化有點大，1.15的很多api，在2.0後棄用了，對執行環境版本升級有一定的影響。只能是舊的專案沿用舊版本，新專案用新版本;對於tensorflow 的使用呢，有些人直接用原生的tensorflow api，有些人喜歡用封裝後的keras，底層的計算執行庫還是由tensorflow 提供。
pytorch 。有些人對於tensorflow 版本混亂的不滿，慢慢轉投了pytorch 的懷抱。pytorch的api較為穩定，而且提供的多機多卡分散式訓練的api也較為簡單易用。
個人覺得這兩個框架都挺不錯，對於怎麼選擇的話看個人對框架的用途，熟悉程度，與個人偏好吧。如果僅僅是使用框架，兩者區別不是很大。如果是想研究框架本身與機器學習深度學習底層計算演算法以及對演算法進行最佳化，pytorch 作為後來者近年來對gpu執行加速上不斷的努力前行，更受國內外研究人員的青睞。
最後，演算法崗其實不僅僅是研究演算法，還要涉及演算法落地完整流程，包括資料預處理，演算法設計與實現，訓練模型，儲存模型，部署serving服務等流程，有完整一套產業鏈，來保證演算法相關服務正常執行。從這個角度來講，個人更偏向api穩定的pytorch。版本之間如果變化太大，不利於系統環境升級以及後續的程式碼維護。
以上僅為個人拙見，僅供參考，有誤之處多多見諒。