pytorch实现attention 为了写论文不做深入的研究，代码水平低选择tensorflow还是pytorch比较好？

为了写论文不做深入的研究，代码水平低选择tensorflow还是pytorch比较好？Tensorflow很好，因为您可以直接使用keras因为使用Python有强大的优势。第一，数据采集（网络爬虫技

为了写论文不做深入的研究，代码水平低选择tensorflow还是pytorch比较好？

Tensorflow很好，因为您可以直接使用keras

因为使用Python有强大的优势。第一，数据采集（网络爬虫技术）。2、 强大的科学计算分析库可以进行大规模的数据统计和处理。3、 完美的AI接口，如tensorflow、Python和sklearn，是定量交易最需要的接口。前者属于深度学习，如LSTM算法体系结构，是最有效的股市预测算法之一。后者属于数据挖掘，基于统计概率分布，实现了回归和分类的数学建模。总之，很方便。在项目实现方面，python属于glue语言，计算出的数据模型大多是以JSON的形式进行粘合的。前端非常友好。简而言之，它既快捷又方便。

为什么几乎所有的量化交易都用Python？

让我们从Python的缺点开始。python自发布以来，在学术界实际生产中的应用比工业界多，主要原因是它不够成熟，很多接口不稳定，综合性不够。Tensorflow仍有许多Python不支持的功能，如快速傅立叶变换，但随着Python的发展，这一缺点将逐渐减少。另外，与tensorflow的静态图相比，tensorflow的静态图很容易部署到任何地方（这比许多框架都要好得多），Python的深度学习框架比Python更先进，部署到其他产品上会非常不方便。

优势从一开始就有。尽管tensorflow自2015年发布以来受到了许多方面的青睐，比如theano，但tensorflow使用的是静态计算图。对于新手来说，有太多的新概念需要学习。因此，无论如何开始或构建，使用tensorflow都比python更困难。2017年，Python被团队开放源码的一个主要原因是更容易构建深度学习模型，这使得Python发展非常迅速。在数据加载方面，Python用于加载数据的API简单高效。它的面向对象API来自于porch（这也是keras的设计起源），它比tensorflow的困难API友好得多。用户可以专注于实现自己的想法，而不是被框架本身所束缚。

在速度方面，python不会为了灵活性而放弃速度。虽然运行速度与程序员的水平密切相关，但在相同的情况下，它可能比其他框架更好。另外，如果追求自定义扩展，python也会是首选，因为虽然两者的构造和绑定有一些相似之处，但tensorflow在扩展中需要大量的模板代码，而只有接口和实现是python编写的。