PyTorch 是一个纯命令式的深度学习框架。它因为提供简单易懂的编程接口而广受欢迎，而且正在快速的流行开来。例如 Caffe2 最近就并入了 PyTorch。
可能大家不是特别知道的是，MXNet 通过 ndarray 和 gluon 模块提供了非常类似 PyTorch 的编程接口。本文将简单对比如何用这两个框架来实现同样的算法
安装
PyTorch 默认使用 conda 来进行安装，例如
而 MXNet 更常用的是使用 pip。我们这里使用了 --pre 来安装 nightly 版本
多维矩阵
对于多维矩阵，PyTorch 沿用了 Torch 的风格称之为 tensor，MXNet 则追随了 NumPy 的称呼 ndarray。下面我们创建一个两维矩阵，其中每个元素初始化成 1。然后每个元素加 1 后打印。
PyTorch:
MXNet:
忽略包名的不一样的话，这里主要的区别是 MXNet 的形状传入参数跟 NumPy 一样需要用括号括起来。
模型训练
下面我们看一个稍微复杂点的例子。这里我们使用一个多层感知机（MLP）来在 MINST 这个数据集上训练一个模型。我们将其分成 4 小块来方便对比。
读取数据
这里我们下载 MNIST 数据集并载入到内存，这样我们之后可以一个一个读取批量。
PyTorch:
MXNet:
这里的主要区别是 MXNet 使用 transform_first 来表明数据变化是作用在读到的批量的第一个元素，既 MNIST 图片，而不是第二个标号元素。
定义模型
下面我们定义一个只有一个单隐层的 MLP 。
PyTorch:
MXNet:
我们使用了 Sequential 容器来把层串起来构造神经网络。这里 MXNet 跟 PyTorch 的主要区别是：
不需要指定输入大小，这个系统会在后面自动推理得到
全连接和卷积层可以指定激活函数
需要创建一个
name_scope
的域来给每一层附上一个独一无二的名字，这个在之后读写模型时需要
我们需要显示调用模型初始化函数。
大家知道 Sequential 下只能神经网络只能逐一执行每个层。PyTorch 可以继承 nn.Module 来自定义 forward 如何执行。同样，MXNet 可以继承 nn.Block 来达到类似的效果。
损失函数和优化算法
PyTorch:
MXNet:
这里我们使用交叉熵函数和最简单随机梯度下降并使用固定学习率 0.1
训练
最后我们实现训练算法，并附上了输出结果。注意到每次我们会使用不同的权重和数据读取顺序，所以每次结果可能不一样。
PyTorch
MXNet
MXNet 跟 PyTorch 的不同主要在下面这几点：
不需要将输入放进
Variable
， 但需要将计算放在
mx.autograd.record()
里使得后面可以对其求导
不需要每次梯度清 0，因为新梯度是写进去，而不是累加
step
的时候 MXNet 需要给定批量大小
需要调用
asscalar()
来将多维数组变成标量。
这个样例里 MXNet 比 PyTorch 快两倍。当然大家对待这样的比较要谨慎。
下一步
更详细的 MXNet 的教程：http://zh.gluon.ai/
欢迎给我们留言哪些 PyTorch 的方便之处你希望 MXNet 应该也可以有
原文发布时间为：2018-04-3
本文作者：李沐
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
