人工神经网络(ANN)已被证明对许多监督学习情况有效，但手动编程ANN可能是一项具有挑战性的任务。因此，已经创建了TensorFlow和PyTorch等框架来简化ANN的创建和使用。
随着近年来对深度学习的兴趣增加，机器学习工具出现了爆炸式增长。近年来，PyTorch、TensorFlow、Keras、Chainer等深度学习框架被快速引入和发展。这些框架提供神经网络单元、成本函数和优化器来组装和训练神经网络模型。
在分析大型复杂数据集时，使用人工神经网络是一种重要的推理和预测方法。TensorFlow和PyTorch是两个广泛使用的机器学习框架，支持人工神经网络模型。
本文基于当前最近的研究来描述这两个框架的有效性和差异，以比较两个框架的训练时间、内存使用和易用性。特别是，您将学习：
1-PyTorch与TensorFlow的特点
2-性能、准确性、培训和易用性
3-PyTorch与TensorFlow的主要区别
TensorFlow和PyTorch的关键特性
TensorFlow概览
TensorFlow是一个非常流行的机器学习端到端开源平台。它最初是在开源之前由GoogleBrain团队的研究人员和工程师开发的。
TensorFlow取代了Google的DistBelief框架，并在几乎所有可用的执行平台（CPU、GPU、TPU、Mobile等）上运行。TensorFlow目前被各种国际公司使用，如谷歌、优步、微软和广泛的大学。
TensorFlowLite实现专为基于边缘的机器学习而设计。TFLite经过优化，可在各种资源受限的边缘设备（例如智能手机、微控制器和其他芯片）上运行各种轻量级算法。
TensorFlow优势
支持和库管理：TensorFlow由Google提供支持，并经常发布新功能。它广泛用于生产环境。
开源：TensorFlow是一个开源平台，可供广泛的用户使用并且非常受欢迎。
数据可视化：TensorFlow提供了一个名为TensorBoard的工具来以图形方式可视化数据。它还允许轻松调试节点，减少查看整个代码的工作量，并有效地解析神经网络。
Keras兼容性：TensorFlow与Keras兼容，允许其用户编写一些高级功能部分并为TensorFlow提供系统特定的功能（流水线、估计器等）。
非常可扩展：TensorFlow部署在每台机器上的特性允许其用户开发任何类型的系统。
兼容性：TensorFlow与多种语言兼容，例如C++、JavaScript、Python、C#、Ruby和Swift。这允许用户在他们舒适的环境中工作。
架构支持：由于工作模型的并行性，TensorFlow被用作硬件加速库。它在GPU和CPU系统中使用不同的分配策略。TensorFlow还有它的架构TPU，它的计算速度比GPU和CPU快。因此，使用TPU构建的模型可以轻松地以更便宜的速度部署在云上，并以更快的速度执行。然而，TensorFlow的架构TPU只允许执行模型，而不是训练它。
TensorFlow的缺点
基准测试：计算速度是TensorFlow与竞争对手相比落后的地方。与其他框架相比，它的可用性较低。
依赖性：虽然TensorFlow减少了代码长度并使用户更容易访问它，但它增加了其使用的复杂性。每个代码都需要使用任何平台执行以获取其支持，这增加了执行的依赖性。
符号循环：TensorFlow滞后于为不定序列提供符号循环。它用于确定的序列，这使其成为一个可用的系统。因此，它被称为低级API。
GPU支持：TensorFlow只有NVIDIA对GPU的支持，而Python对GPU编程的支持，这使得它成为一个缺点，因为在深度学习中存在其他语言的增长。
PyTorch概述
PyTorch于年首次推出。在PyTorch之前，深度学习框架通常专注于速度或可用性，但不能同时