卷起來了，寫了一套Tensorflow和Pytorch的教程
作為一名AI工程師，掌握一門深度學習框架是必備的生存技能之一。
自 TensorFlow 從 Google 中脫穎而出以來，它在研究和商業(yè)領域成為最受歡迎的開源深度學習框架，緊接著 從 Facebook 誕生的 PyTorch 由于社區(qū)推動的易用性改進和越來越廣泛的用例部署，而迅速趕上TensorFlow。
兩個框架在當年一度備受爭議，TensorFlow和PyTorch誰更好？
從去年校招開始到現(xiàn)在負責部門的面試，從我手上流走的簡歷多多少少也有上百封了。
面試了很多候選人，當問他們常用的深度學習框架時，發(fā)現(xiàn)他們清一色的選擇了：PyTorch。
從各個方面可以看出，經(jīng)過這些年的發(fā)展，PyTorch在學術圈的「壟斷」地位基本已經(jīng)站穩(wěn)。
誠然，比起TensorFlow，大多數(shù)研究人員更偏愛PyTorch的API，PyTorch設計更科學，而TensorFlow自推出2.0版本后，與TF 1.x 的API差異實在不小，導致doc的閱讀成本和版本適配成本都相當高。
如果是初學者，無腦Pytorch就對了。社區(qū)資源多、開源代碼多、上手也很簡單，各大廠商對Pytorch的支持也多(TensorRT、ONNX)。
其實框架的作用就是我們無需造輪子可以直接使用，并且節(jié)省工作量，對于Pytorch來說對研究友好、對訓練友好、對白嫖大佬的開源代碼也友好，對模型部署也友好，可以節(jié)省大把時間去做其他有意義的事情，沒有理由不使用Pytorch。
如果是工作了，就看公司在用什么吧，因為公司是面向需求的。
在業(yè)界，無論算法性能有多好，總歸還是要上線的，選擇框架的時候便會考慮以下這些問題，是否方便部署到線上，支持多語言，并且有較好的系統(tǒng)穩(wěn)定性以及有非常多線上應用實例。
TF 1.x系列面世較早，在學術界、工業(yè)界都有很深的積淀，工業(yè)界由于項目更重，牽一發(fā)而動全身，因此目前很多項目仍然停留在TF 1.x（1.1x）上面。
像業(yè)界大多數(shù)支撐搜廣推場景的模型，還是用Tensorflow，TensorFlow適合大規(guī)模部署，特別是需要跨平臺和嵌入式部署時。
至于延伸到選擇哪個的問題：
顯而易見，小孩子才做選擇，而我們都要學，基本都要會用，這樣才能自己選擇工具，而不是工具挑選你。
然而，我們通過調(diào)研發(fā)現(xiàn)，80%的0-3歲互聯(lián)網(wǎng)人沒有系統(tǒng)的學習過Tensorflow、PyTorch方向，缺乏項目實戰(zhàn)，處于比較淺層面的對比。
網(wǎng)上解讀Tensorflow、PyTorch文章非常多但知識點零散，學習起來抓不住重點。
最近整理一套深度學習框架必備的學習資料，這套資料內(nèi)容非常詳盡全面，課程通過講解和實戰(zhàn)操作，帶你從零開始訓練網(wǎng)絡，做到獨立搭建和設計卷積神經(jīng)網(wǎng)絡（包括主流分類和檢測網(wǎng)絡），并進行神經(jīng)網(wǎng)絡的訓練和推理（涉及PyTorch、Tensorflow、Caffe、Mxnet等多個主流框架），通過實戰(zhàn)讓你掌握各種深度學習開源框架。（資料已經(jīng)全部整理好）
資料內(nèi)容過多，不一一展開，僅截取框架學習部分目錄大家感受下。
深度學習與神經(jīng)網(wǎng)絡
深度學習簡介
基本的深度學習架構
神經(jīng)元
激活函數(shù)詳解（sigmoid、tanh、relu等）
感性認識隱藏層
如何定義網(wǎng)絡層
損失函數(shù)
推理和訓練
神經(jīng)網(wǎng)絡的推理和訓練
bp算法詳解
歸一化
Batch Normalization詳解
解決過擬合
dropout
softmax
手推神經(jīng)網(wǎng)絡的訓練過程
從零開始訓練神經(jīng)網(wǎng)絡
使用python從零開始實現(xiàn)神經(jīng)網(wǎng)絡訓練
構建神經(jīng)網(wǎng)絡的經(jīng)驗總結
深度學習開源框架
pytorch
tensorflow
caffe
mxnet
keras
優(yōu)化器詳解(GD,SGD,RMSprop等