从早期的学术框架 Caffe、Theano，到后来的PyTorch、TensorFlow，自 2012 年深度学习再度成为焦点以来，很多机器学习框架成为研究者和业界工作者的新宠。
2018 年底，谷歌推出了全新的JAX框架，其受欢迎程度也一直在稳步提升。很多研究者对其寄予厚望，希望它可以取代 TensorFlow 等众多深度学习框架。
不过，PyTorch 和 TensorFlow仍是ML框架领域的两大实力玩家，其他新生框架的力量暂时还无法匹敌。而PyTorch 和 TensorFlow之间则是此消彼长的关系，力量对比也在悄悄发生着变化。
2019年10月，康奈尔大学本科生、曾在PyTorch 团队实习的Horace He曾对PyTorch 和 TensorFlow在学界的使用情况进行了数据统计。结果显示，研究者已经大批涌向了 PyTorch，不过当时看来，业界的首选仍然是 TensorFlow。
如下图所示，从2019年中期开始，在统计的各大顶会中，PyTorch从使用率指标上就已完成了对TensorFlow的反超。
数据收集时间：2019年10月。
当时的开发者社区曾热议：未来，谁能在 ML 框架之争中迎来「高光时刻」?两年后，Horace He再次给出了更新后的统计结果。
截止目前，EMNLP、ACL、ICLR三家顶会的PyTorch的占比已经超过80%，这一占比数字在其他会议中也都保持在70%之上。短短两年间，TensorFlow的生存空间又大幅缩小。
PyTorch 在学界的「超车」
具体到每一家顶会，作者也在图表中展示了详细数据：
以CVPR为例，在CVPR 2018之前，TensorFlow的使用率还高于PyTorch，而在下一年，局势立即逆转。
CVPR 2019的PyTorch使用率为22.72%(294篇)，TensorFlow的使用率变为11.44%(148篇);到了CVPR 2020，这两个数字分别变成了28.49%(418篇)和7.7%(113篇)。
在ICML、ICLR、NeurIPS这些会议中，依旧是同样的竞争形势：
PyTorch一骑绝尘，TensorFlow则持续下跌。在ICLR 2022中，PyTorch使用率为32.20%(1091篇)，TensorFlow跌到了6.14%(208篇)，拉开了五倍的差距。
TensorFlow 在学界还有未来吗?
所以，退守一方的TensorFlow，怎么就到了今天这个地步?
在Hackrnews社区，这一话题引发了开发者的热议：
「在学术出版中，能够将你的工作与 SOTA 进行比较是非常关键的。如果你所在地区的其他人都使用某个框架，那么你也应该这样做。过去几年，Pytorch是我关注最多的框架了。」
「但Tensorflow 的一个亮点是静态图表。随着模型变得更加密集，并且需要不同的部分并行执行，我们在 PyTorch 的运行模型中看到了一些挑战。」
在这位开发者看来，如果想并行地做很多事情，Tensorflow 还是有一些特性是其他产品无法比拟的。这完全取决于你在做什么。
还有人说，Tensorflow的式微是因为出现了策略上的失误。
「我认为 Tensorflow 在学术界做出了一个糟糕的举动，因为它在早期版本中使用起来非常困难。当然，它的性能总是比 PyTorch 好，但当你是一个工作负担很重的博士生时，你就不太关心你的代码是否高效，而更关心你的代码是否能work。有人说 PyTorch 的调试相对轻松，所以那些早期的模型用了PyTorch发表，后来很多人也就来到了PyTorch。」
你怎么看呢?
