最近一段时间我都是在零散的看看pytorch的文档，顺便开始把之前的训练的代码和方法往pytorch上迁移，一些新训练的任务我也都直接改用了pytorch。
一句话总结来看，pytorch依然和我第一眼看上的去的那样，还是一个很优美的框架。当然， 有小坑：我遇到的主要的问题是错误信息太缺少了，造成模型有错误的时候有点不太好定位。
这次的老训练系统的迁移对我来说很顺手，实际就用了两天不到，基本可用。当然，因为有一些老代码可以复制粘贴。但是相比mxnet，还是快了很多，mxnet的迁移磨蹭了一周还没有开始调试。可能还是我对这个pytorch的个人好感起了作用。如此看来，自己的框架要选择自己喜欢的，这样生产率会高很多，不喜欢的东西，边写边骂，效率确实不高。
Pytorch整体来看，还是小巧、灵活，文档组织良好，写代码也足够符合我的直觉。我想框架或者接口，符合用户直觉是一个非常重要的指标。否则对用户来说怎么用怎么别扭。tf虽然用户数多，不过对我来说不合直觉，可能还是自己不愿意花费精力建立起整个框架的概念，相信如果有了tf框架的概念，用起来也都是很顺手的。
所以说，我不愿意用tf，只是因为我懒。
另外，自己下一步的一些计划：
- 自己在考虑用网络训练利用视觉信息训练室内地图导航的模型，类似于word2vec，得到的某两个位置图像的特征向量可以通过类似word2vec的运算来实现方向的预测。目前来看符合直觉，只是留待实验验证。
- 需要一个pytorch的model转为caffemodel的工具，目前我看了下，市面上似乎只有caffemodel转pytorch的。
Pytorch的框架提供了比caffe更多的灵活性，所以未来我可能自己拿着pytorch训练各种模型来玩。
在一个月前，自己就因为pytorch相比caffe的灵活，在minst这个"著名"数据集上做了一些针对sgd训练超参的实验。使用过程还是很愉快的，所以，Pytorch大法好，我是坚决往坑里跳了。