1. 可用的 RNN 类型
在寻找 NLP 问题的深度学习解决方案时，循环神经网络 (RNN) 是开发人员最流行的首选架构。因此，从这个角度来比较框架是有意义的。
所有正在考虑的框架都具有允许我们创建简单 RNN及其更进化的变体的模块——门控循环单元 ( GRU ) 和长短期记忆 ( LSTM ) 网络。
PyTorch
PyTorch 提供了 2 个级别的类来构建此类循环网络：
-
多层类 — nn.RNN、nn.GRU和nn.LSTM。 这些类的对象能够表示深度双向循环神经网络。
-
单元级类 — nn.RNNCell、nn.GRUCell和nn.LSTMCell。 这些类的对象只能表示一个可以处理输入数据的一个时间步的单元（同样是一个简单的 RNN 或 LSTM 或 GRU 单元）。
因此，当我们不想在神经网络中进行太多定制时，多层类就像单元级类的一个很好的包装器。
此外，使 RNN 成为双向就像在多层类中将双向参数设置为True一样简单！
TensorFlow
TensorFlow 为我们提供了tf.nn.rnn_cell 模块来帮助我们满足标准 RNN 需求。
该模块中一些最重要的类tf.nn.rnn_cell如下：
-
单元级别类 用于定义 RNN 的单个单元，即 —
BasicRNNCell和GRUCellLSTMCell
-
MultiRNNCell 类 用于堆叠各种单元以创建深度 RNN
-
DropoutWrapper类 用于实现dropout正则化
喀拉斯
以下是Keras 库中提供的循环层。其中一些层是：
-
SimpleRNN - 全连接 RNN，其中输出将反馈到输入
-
GRU——门控循环单元层
-
LSTM——长短期记忆层
TensorFlow、PyTorch 和 Keras 具有内置功能，使我们能够创建流行的 RNN 架构。区别在于它们的界面。
Keras 有一个简单的接口，其中包含一小部分定义良好的参数，这使得上述类易于实现。作为 TensorFlow 之上的高级 API，我们可以说 Keras 让 TensorFlow 变得简单。虽然 PyTorch 提供了与 TensorFlow 类似的灵活性，但它的界面更加简洁。
当我们讨论这个主题时，让我们根据每个框架的易用性进行更深入的比较研究。
2. 易用性：TensorFlow、PyTorch、Keras
TensorFlow 经常因其不全面的 API 而受到谴责。PyTorch 更加友好且易于使用。总体而言，PyTorch 框架与 Python 语言的集成更加紧密，大多数时候感觉更加原生。当您在 TensorFlow 中编写时，有时您会感觉您的模型位于一堵砖墙后面，上面有几个小孔可供通信。
让我们根据三者的易用性来讨论比较这三个因素的更多因素：
静态计算图与动态计算图
这个因素在 NLP 中尤其重要。TensorFlow 使用静态图进行计算，而 PyTorch 使用动态计算图。
这意味着在 Tensorflow 中，您可以在模型运行之前静态定义计算图。与外部世界的所有通信都是通过 tf.Session 对象和 tf.Placeholder 执行的，它们是在运行时将被外部数据替换的张量。
在 PyTorch 中，事情变得更加命令式和动态：您可以随时定义、更改和执行节点；没有特殊的会话界面或占位符。
在 RNN 中，对于静态图，输入序列长度将保持不变。这意味着，如果您开发英语句子的情感分析模型，则必须将句子长度固定为某个最大值，并用零填充所有较小的序列。不太方便吧？
调试
由于 PyTorch 中的计算图是在运行时定义的，因此您可以使用我们最喜欢的 Python 调试工具，例如 pdb、ipdb、PyCharm 调试器或旧的可信打印语句。
TensorFlow 的情况并非如此。您可以选择使用名为tfdbg的特殊工具，它允许您在运行时评估 TensorFlow 表达式并浏览会话范围内的所有张量和操作。当然，您将无法使用它调试任何Python代码，因此有必要单独使用pdb。
Tensorflow 比 PyTorch 更成熟。与 PyTorch 和 Keras 的总和相比，它拥有更大的社区。其用户群的增长速度超过 PyTorch 和 Keras。
所以这意味着：
- 更大的 StackOverFlow 社区可以帮助您解决问题
- 更大的在线学习材料集——博客、视频、课程等。
- 更快地采用最新的深度学习技术
