迫於Pytorch的壓力，Tensorflow框架會被谷歌重新開發設計么？
暫時覺得tensorflow不會被重新開發設計，因為Pytorch和Tensorflow的設計思想，規模，出發點是不一樣的。
Pytorch更像是一個庫，讓用戶在深度學習框架里用「numpy」來組合運算元，調包。用戶使用的時候不受約束，十分靈活自然，符合Python的編程直覺，這點優勢也來源於動態圖的設計概念。
TensorFlow更像是一個龐大的系統，企圖用自己的東西完成數據處理，訓練，部署等一系列流程。就像是教導用戶，你print得用我的tf.print，你數據集處理得用我的TFRecord，tf.Dataset，列印形狀得用tf.shape。一方面是由於tf1靜態圖設計，為了一定性能不得不捨棄易用性。另一方面是系統做大以後，各個子部分不是那麼容易兼容起來使用。然後又設計出來keras，tf.Estimator等東西，用戶很難去接受，消化大量的新概念。
Pytorch吸引人的是一套動態圖Define-By-run的機制；合理，易理解的Tensor對象；靈活的autograd機制。雖然它的數據處理，分散式能力也有一定缺陷。比如數據處理慢，GPU利用率上不去，分散式API難跑通。但是學術界，小白就喜歡這種，因為他們關心的是快速實現自己的想法，而並不關心整套流程的處理效率。
谷歌現在也不再那麼堅持靜態圖的概念，Tensorflow2出現已經增加了Define-By-run機制，甚至還引入了AutoGraph。只是我覺得tf2推出的有點過於激進，沒有和tf1很好的兼容，導致出現一些奇奇怪怪的Bug，本來用戶很期待新的機制，卻因為bug出現又降低了好感。
我還是認為各個框架都有自己的特性，如果全都靠齊Pytorch，那我為什麼不直接使用Pytorch呢？Pytorch有易用的優勢，Tensorflow有自己打通流程，部署的優勢。兩家各有自己的壓力，並沒有誰的設計就是絕對的好。
都已經從1到2的Define-by-Run了，還要什麼自行車。
沒必要重新設計tensorflow，如果做不兼容更新，不如另起爐灶開發一個全新的框架
google/jax: Composable transformations of Python+NumPy programs: differentiate, vectorize, JIT to GPU/TPU, and more (github.com)?github.comgoogle/trax: Trax — Deep Learning with Clear Code and Speed (github.com)?github.comgoogle/flax: Flax is a neural network ecosystem for JAX that is designed for flexibility. (github.com)?github.com已經重新開發成了tf2了。
然後呢？復現少，產品少，谷歌自家efficientnet和det我印象里都不是tf2來做的。一個1.15一個忘了版本，同樣的，作為谷歌老相好英偉達出品的stylegan 2 也不是：TensorFlow 1.14 or 1.15 with GPU support. The code does not support TensorFlow 2.0.。
新品來不及轉沒事，能理解，但是舊的一些極具學習價值的模型呢？全靠tf2的愛好者、有興趣的人用愛發電，民間轉成tf2？
谷歌目前的做法明著來：只要你還想繼續用keras 2.3之後的版本那就必須轉tf.keras才行。
tf2不是已經支持動態圖了嘛，這難道還不算重新設計。
話說pytorch雖然學界用的多（因為改結構方便），但是tf的靜態圖在大規模工業部署上還是有計算優勢的。
Tf1.0版本的特點是，先搭建計算圖，搭建好了之後用佔位符傳數據進去。對於debug不是很友好。Pytorch在這一塊是做足了文章，很好的改善了這個缺陷。後來鑒於這個思路，tf2.0出來了。但是令人尷尬的是，學術界現在用pytorch開源的比較多，也有繼續用tf1.0開源的。除了習慣用tf1.0的人會研究tf2.0，其他用Pytorch的用習慣了，不願意轉了。誰吃飽了撐的天天換框架？我是經歷過tf1.0，pytorch，keras。只不過keras後端可以接入tf，pytorch等。
import torch as tf
不會了, tf還會是tf, 並不妨礙著手造新的煉丹爐, eg: jax,flax
不是已經重新設計了嗎，還逼著1的用戶趕緊遷移到2。
推薦閱讀：
