全文字数：1540字，精读时间：3分钟

本文援引于报告《行业研报人工智能行业系列（三）：中国深度学习框架深化应用的痛点与挑战》，首发于头豹科技创新网（www.leadleo.com）。

头豹科技创新网内容覆盖全行业、深入垂直领域，行业报告每日更新；政策图录、数据工具助您轻松了解市场动态；智能关键词轻松搜索，直奔行业热点内容。

诚挚欢迎各界精英交流合作，头豹承接行业研究、市场调研、产业规划、企业研究、商业计划、战略规划等业务，您可发送邮件或来电咨询。

客服邮箱：CS@leadleo.com 咨询热线：400-072-5588

机器学习框架发展处于哪个阶段？

机器学习框架指将AI算法模型开发过程中所需用到数据计算、逻辑表达、网络搭建等一系列基础运算程序进行封装后组成的函数库。AI开发工程师通过对机器学习框架的引入及应用，可直接调用框架内的函数从而实现模型的构建与调优。机器学习框架免除算法底层运算逻辑的重复编写工作，有效降低AI项目开发的门槛与难度，使AI开发工程师及团队可专注于AI算法模型的实现，而非繁重的基础编程工作。机器学习框架是使人工智能技术实现规模化应用的关键因素。

机器学习框架的出现可追溯至21世纪初期。该阶段面世的机器学习框架在功能性、运算效率、可读性及可理解性等层面均难以满足开发者需求。2012年始，具备成熟功能体系及软硬件兼容性的深度学习框架面世，推动人工智能行业迈入高速发展期。2019至2020年，继Paddle之后，中国多家企业相继推出自主研发的深度学习框架及AI开发平台，推动中国人工智能生态的发展。

中国深度学习框架的深化应用是否将迎来新机遇？

随着人工智能行业的发展，人工智能开发者对开发资源的需求从可避免重复编写底层运算逻辑的机器学习框架，逐渐扩展至可全方位支持人工智能开发的工具体系。如何满足人工智能开发者需求的升级成为业界亟需解决的发展痛点，也为中国人工智能企业带来新的发展机遇。基于云计算技术的AI开发平台应运而生。AI开发平台围绕AI开发流程为开发者提供全流程开发辅助工具，包括可调用的成熟API、预训练模型、基础硬件、云端IDE开发环境等一系列以深度学习框架为基底的开发工具，及智能标注、自动特征工程、CI/CD、AIOps等功能组件。AI开发平台为开发者提供全方位支持的同时，也为AI开发平台与开发者建立良好的信息交流与资源交换渠道，将过去对市场反馈的被动式接收转向主动式探索，从而实现人工智能技术的快速迭代。AI开发平台将是推动中国人工智能生态体系的构建、推进中国人工智能产业界与学术界协同发展、促进人工智能技术在垂直应用领域中深化应用的核心动力。

深度见解：完善的功能体系及繁荣的生态环境成为深度学习框架实现普及应用的关键

在功能层面，TensorFlow采用静态计算图进行操作，兼容主流基础硬件及操作系统，自带可视化工具，成为人工智能产业界主流选择。PyTorch采用动态计算图进行操作，为开发者提供更具灵活性的开发途径，成为人工智能学术界主流选择；

在生态方面，两款框架均在GitHub社区中开源发布，凭借先发优势及完善的功能体系迅速积累用户规模。用户规模的提升与开发社区的持续活跃为两款深度学习框架的二次优化及衍生开发提供良好的环境，而丰富的衍生开发项目进一步推动生态的发展。用户规模的增长与开发社区的繁荣形成正反馈闭环。