投稿|PyTorch打败Google( 三 )


 
我认为PyTorch在大势上的策略才是问题的关键 。
 
具体有三,一是差异化的产品定位,一是顺应了用户趋势,一是拿住了TensorFlow的反关节 。
 
三点环环相扣,构成了PyToch的竞争策略 。
 
先说差异化的产品定位 。
 
任何一个挑战者进入市场时,都需要通过差异化找到自己的立足之地 。
 
PyTorch也不例外 。
 
它发现市场上的用户可以分两个群体,一是工业界,一是学术界,两者有不同的需求 。工业界更关注模型的应用,比如部署、性能等,而学术界更关注模型的开发 。这很容易理解,工业界的基本诉求是稳定,一般模型上线后会跑很长一段时间,而学术界以研究为主,会频繁修改模型以验证想法,对性能要求不高,对部署更不在乎 。
 
TensorFlow的优势在模型的应用上 。
 
在Google强大的开发能力下,TensorFlow不仅性能优越,而且支持多端部署,不管是云上的分布式还是边缘的手机端都没问题 。但可能就是因为Google的开发能力太强了,TensorFlow在模型开发的易用性上并不上心 。
 
PyTorch认识到这是个机会,它在自己的官方论文里,清晰的表达了自己的定位——把研究者放在第一位(put researchers first) 。投稿|PyTorch打败Google
文章图片
图2 Facebook论文 《PyTorch : An Imperative Style,High-Performance Deep Learning Library》
于是它很快占领了学术界 。 
根据paperswithcode的统计,截止2021年10月,论文里PyTorch与TensorFlow的应用比例为86:14,而且TensorFlow下滑明显 。 投稿|PyTorch打败Google
文章图片

图3 paperswithcode--论文中应用的框架比例
这时市场格局是这样的 。投稿|PyTorch打败Google
文章图片

图4 PyTorch VS TensorFlow 市场格局1
再说用户趋势 。 地产界有个说法,短期看金融,中期看土地,长期看人口 。
 
机器学习框架的用户也是有趋势的 。
 
工程师是怎么来的?高中毕业进入大学,大学读完本科、硕士和博士后,毕业上班,进入工业界 。
 
这个朴素的道理决定了用户基本是从学术界流向工业界的 。
 
所以PyTorch占领了学术界,相当于占领了上游 。习惯了PyTorch的人会带着PyTorch进入工业界,同时新同学源源不断进入学术界,又构成了增量用户 。
 
用发展的眼光看问题,市场是这样的 。投稿|PyTorch打败Google
文章图片

图5 PyTorch VS TensorFlow 市场格局2
 最后说说TensorFlow的反关节 。
 
周鸿祎在《我的互联网方法论》里提到过一个词叫反关节,小公司一旦拿住大公司的反关节,大公司的优势就会变成包袱,越反抗越疼,只能眼睁睁看你扩张 。
 
PyTorch就拿住了TensorFlow的反关节 。
 
构建神经网络有两种技术路线,分别是静态图和动态图,静态图性能好,动态图调试方便 。

推荐阅读