TensorFlow、PyTorch 是目前佔有率最高的深度學習框架，初學者常會問『應該選擇PyTorch或 TensorFlow套件』，依個人看法，PyTorch、TensorFlow好比倚天劍與屠龍刀，各有擅場，兩個套件的發展重點有所不同，例如在偵錯方面，PyTorch比較容易，但TensorFlow/Keras建模、訓練、預測都只要一行程式，另外，物件偵測主流演算法YOLO，第四版以TensorFlow開發，第五版則以PyTorch開發，若我們只懂TensorFlow，那就無法使用最新版了。
差異比較
PyTorch 認為兩個主要對手，『TensorFlow 1.x版把簡單的事情複雜化』，『Keras把複雜的事情太過簡化』，因而促使TensorFlow 2.x版依據Keras規格重新開發並納入TensorFlow中，現在Keras已變成TensorFlow最重要的模組。而PyTorch特色如下：
1. Python First：PyTorch開發團隊認為Python及相關套件功能已經相當強大，不須另外發明輪子(Reinvent the wheel)，直接與Python生態環境緊密結合。
2. 除錯容易：TensorFlow/Keras 提供 fit 一行指令即可進行模型訓練，雖然簡單，但不易偵錯(Debug)，PyTorch須自行撰寫優化求解的程序，雖然繁瑣，但在過程中可插入任意的程式碼偵錯或查看預測結果、損失函數變化，不必等到模型訓練完成。
3. GPU 記憶體管理較佳，筆者使用GTX1050Ti，記憶體只有4GB 時，同時執行2個以TensorFlow 開發的Notebook 檔案時，常會發生記憶體不足的狀況，但使用PyTorch，即使3、4 個Notebook 檔案也沒有問題。
4. 程式可自行決定變數及模型要在 CPU 或 GPU 運算：雖然比較麻煩，但可優化記憶體的使用，TensorFlow則是自行偵測GPU，如果有。則預設會使用GPU運算，反之，會使用CPU。
另外，文件說明還是以TensorFlow/Keras較為詳盡，且較有系統性，PyTorch方面，筆者常須依靠谷大哥搜尋，這也是筆者撰寫PyTorch入門書籍的原因。
一致的學習路徑
雖然存在以上差異，PyTorch與TensorFlow基本設計概念是相通的，採用相同的approach，可以一併學會兩個套件。
梯度下降法是神經網路主要求解的方法，計算過程會使用張量 (Tensor) 運算，另外，在反向傳導的過程中，則要進行偏微分，計算梯度，如下圖：
基於上述求解過程的需求，大多數的深度學習套件至少會具備下列功能：
1. 張量運算：包括各種向量、矩陣運算。
2. 自動微分 (Auto Differentiation)：透過偏微分計算梯度。
3. 提供各種神經層 (Layers) 及神經網路 (Neural Network) 模型構建。
因此，學習的路徑可以從簡單的張量運算開始，再逐漸熟悉高階的神經層函數，以奠定扎實的基礎。
在上述學習路徑中，我們會發現TensorFlow/PyTorch基本設計概念是一致的：
1. TensorFlow/PyTorch張量 (Tensor) 均與NumPy陣列相容，不論是資料結構或是運算，包括 Broadcasting 機制。
2. 自動微分、梯度下降也是如此，只是語法不同而已。
3. 都支援順序型 (Sequential)、Functional API模型。
4. 均建議使用 Dataset/Data Loader 作為模型的資料來源。
►更詳盡的範例程式說明可參閱『同時搞定TensorFlow、PyTorch』。
本文節錄自深智數位出版之《開發者傳授 PyTorch 秘笈》。
