正文
帖子一楼写道：
我还没有从 Torch7 迁移到 TensorFlow。我玩过 TensorFlow，但我发现 Torch7 更加直观（也许是我玩得不够？）。我也尝试了一点 PyTorch，所以我决定先看看效果。
使用了几周 PyTorch 之后，我认为我现在还不必迁移到 TensorFlow，至少在我感兴趣的项目上还不需要。用 PyTorch 写自定义模块真是简单至极。而且其动态图构建（dynamic graph construction）给我之前需要熬夜实现（或等待列表上）的东西带来了很多新想法。我认为对机器学习开发者来说，PyTorch 是一个了不起的工具集。我也知道 TensorFlow 的社区资源要强大得多，但如果要开发全新的项目（而不是为已有的架构重新写代码或阅读教程），社区也不一定能有很大的帮助。
这个 Reddit 帖子发出后得到了很多机器学习研究者和开发者的关注，他们纷纷跟贴谈论自己的想法和经验（不只是关于 PyTorch 和 TensorFlow，讨论中还涉及到更多工具）。机器之心在这里选择其中一些我们认为有价值的评论，希望能够给你的学习和研究带来帮助。以下按赞成数量排序。
ajmooch的回复：
我一直在做一个 TensorFlow 的项目，所以我可以公正地在 Theano+Lasagne, PyTorch 和 Tensorflow 三者之间做一个比较。但对于前两者，我可以给出一些漫漫的看法。
背景：大概在一年前我开始接触 Theano+Lasagne，并在我的两篇论文中使用了它。我上周改换到 PyTorch，并重新建了两个我以前用 Theano 实现的关键项目。
API：Theano 的图形构建和编译工作方式让我学习起来很费劲，但一旦我找到了它的窍门，一切都迎刃而解（这也许会花费两个月，但是我仍旧在学习 Python 和基本的神经网络方面的东西，所以对这一速度的参考价值持保留态度）。Lasagne 的 API，对我来说，就像是优雅的凯瑟琳女皇骑着逆戟鲸展开了战斗，也就是说我爱死它了。如果我提前知道我有多想要一个 Theano 的程式库去工作，我一定会写一个程式库，这大大地减轻了繁重的劳动。
PyTorch 的 API，另一方面来说感觉有些粗糙，但对它有一些限定词，这个稍后再谈。如果你只是做一些标准的任务（实现 ResNet 或者 VGG）我认为你不会有问题，但我一直都有一些分歧因为我所做的一切都有些奇怪。举个例子，在我当前的项目中，因为 strided 张量索引（tensor indexing）还未实现，我必须使用几个 hacky 解决方法，虽然当前的索引技术非常灵活，比起直接使用 numpy 风格的索引，它们少了很多直观性。中心的限定条件是，它们确实只是释放 friggin 的框架，当然并不是一切都实现，还有一些待解决的问题。Theano 发展时间长且已经成熟，我并没有观察到它或者 Lasagne 在这个过程中遇到过困难。
除此之外，对于 PyTorch 我最大的「抱怨」基本上是在神经网络 API 方面「事情并未按照我让他们组合的方式进行放置」。具体来说，我非常喜欢 Lasagne 的「层次（layers）」范式—但是一点点批判性的思维就会让你得出这个结论，这个范式尤其不适合动态图框架。我完全习惯于考虑并且优化我关于静态图形定义的思考过程，所以转换 API 方法是一个小的痛点。这非常重要-我花了很长时间思考「好吧，既然我不能使用自己的标准流控制写出一个常规的程序一样，写出这个图的 Theano，那么我该如何定义它呢，」这让我在思维的道路上变得越来越强大。
然而，动态图需要一个与「定义+运行」基本不同的 API，虽然我个人认为它并不直观，就在上周其单独执行定义的方法，正如 CJ 所说，打开了我的思路并给了我几十个项目的想法，这在以前是不可能的。我还想象，如果你在任何你想的地方使用 RNNs 做任何事情，比如，在没有消耗计算的前提下实现动态计算，接口的命令性质将会使它更容易这样做。
速度：所以我没有做广泛的基准测试，但是我惊讶的发现，PyTorch 是可以立即使用的，在我当前的项目的单 GPU 的训练时间比 theano+lasagne 快 100%。我已经在 Geforce gtx 980 和 Titan X 上测试了它，并实现了已经确认相同且在合理的误差范围内的网络。100% 逐字地在 CIFAR100 上从（在最简单的情况下）5 分/历元到 2.5 分/历元，并且在某些情况下降到 2 分钟/历元（即，快两倍）
这是相同的模板代码，使用了相同的数据提取程序（我不得不讽刺地说「fetcher」没有思考「去死吧，FETCHER（DIE, FETCHER!）」），除了实际的代码，训练和运行网络，一切都相同。
这让我感到惊讶，因为我的印象是，Theano 的广泛和积极的内存优化（在这种情况下，当你开始训练，只需花费几分钟进行编译）意味着它在单 GPU 下的速度非常快。我不知道什么导致了速度的提升，或者，因为他们同样都使用了 cuDNN 的最新版本（我仔细地检查了一遍以确保的确是这样），所以这一切的收获一定在天空的某一个地方，但我并不知道会在哪里。
