作为一名AI工程师，掌握一门深度学习框架是必备的生存技能之一。
自 TensorFlow 从 Google 中脱颖而出以来，它在研究和商业领域成为最受欢迎的开源深度学习框架，紧接着 从 Facebook 诞生的 PyTorch 由于社区推动的易用性改进和越来越广泛的用例部署，而迅速赶上TensorFlow。
两个框架在当年一度备受争议，TensorFlow和PyTorch谁更好？
从去年校招开始到现在负责部门的面试，从我手上流走的简历多多少少也有上百封了。
面试了很多候选人，当问他们常用的深度学习框架时，发现他们清一色的选择了：PyTorch。
从各个方面可以看出，经过这些年的发展，PyTorch在学术圈的「垄断」地位基本已经站稳。
诚然，比起TensorFlow，大多数研究人员更偏爱PyTorch的API，PyTorch设计更科学，而TensorFlow自推出2.0版本后，与TF 1.x 的API差异实在不小，导致doc的阅读成本和版本适配成本都相当高。
如果是初学者，无脑Pytorch就对了。 社区资源多、开源代码多、上手也很简单，各大厂商对Pytorch的支持也多(TensorRT、ONNX)。
其实框架的作用就是我们无需造轮子可以直接使用，并且节省工作量，对于Pytorch来说对研究友好、对训练友好、对白嫖大佬的开源代码也友好，对模型部署也友好，可以节省大把时间去做其他有意义的事情，没有理由不使用Pytorch。
如果是工作了，就看公司在用什么吧，因为公司是面向需求的。
在业界，无论算法性能有多好，总归还是要上线的，选择框架的时候便会考虑以下这些问题，是否方便部署到线上，支持多语言，并且有较好的系统稳定性以及有非常多线上应用实例。
TF 1.x系列面世较早，在学术界、工业界都有很深的积淀， 工业界由于项目更重，牵一发而动全身，因此目前很多项目仍然停留在TF 1.x（1.1x）上面。
像业界大多数支撑搜广推场景的模型，还是用Tensorflow，TensorFlow适合大规模部署，特别是需要跨平台和嵌入式部署时。
至于延伸到选择哪个的问题：
显而易见，小孩子才做选择，而我们都要学，基本都要会用，这样才能自己选择工具，而不是工具挑选你。
然而，我们通过调研发现，80%的0-3岁互联网人没有系统的学习过Tensorflow、PyTorch方向，缺乏项目实战，处于比较浅层面的对比。
网上解读Tensorflow、PyTorch文章非常多但知识点零散，学习起来抓不住重点。
最近整理一套深度学习框架必备的学习资料，这套资料内容非常详尽全面，课程通过讲解和实战操作，带你从零开始训练网络，做到独立搭建和设计卷积神经网络（包括主流分类和检测网络），并进行神经网络的训练和推理（涉及PyTorch、Tensorflow、Caffe、Mxnet等多个主流框架），通过实战让你掌握各种深度学习开源框架。 （资料已经全部整理好）
可以关注公众号【咕泡AI】回复：168
资料内容过多，不一一展开，仅截取框架学习部分目录大家感受下。
深度学习与神经网络
深度学习简介
基本的深度学习架构
神经元
激活函数详解（sigmoid、tanh、relu等）
感性认识隐藏层
如何定义网络层
损失函数
推理和训练
神经网络的推理和训练
bp算法详解
归一化
Batch Normalization详解
解决过拟合
dropout
softmax
手推神经网络的训练过程
从零开始训练神经网络
使用python从零开始实现神经网络训练
构建神经网络的经验总结
深度学习开源框架
pytorch
tensorflow
caffe
mxnet
keras
优化器详解(GD,SGD,RMSprop等
由于工作需要，这份教程我本人也在学习中，虽然已经从事这个行业多年，再看这份教程的时候，仍然能查漏补缺，收获满满，我相信不管是AI入门，还是已经具备了一定的工作经验，这份学习资料，都值得你去认真学习研究。
该视频出品人是王小天，目前就职于BAT之一，AI算法高级技术专家，法国TOP3高校双硕（计算机科学和数学应用双硕士）毕业。
工作期间主要负责人工智能业务线CV与NLP相关算法工作，推进人机混合智能、语义分割、机器翻译、虹膜识别等模块的核心算法研究与优化。
对图像分类、物体检测、目标跟踪、自动驾驶、计算机体系结构等有深入的研究。\
