Horace He最近发表了一篇文章，文章总结了2019年机器学习框架的状况。该文章使用几个指标表明PyTorch正迅速成为研究领域的主要框架，而部署在商业/工业环境中的应用程序中，占据主导地位的则是TensorFlow。
康奈尔大学（Cornell University）的研究生Horace He统计了有关PyTorch或TensorFlow的论文数量，这些论文发表在一系列著名的机器学习方向的大会上，如：ECCV、NIPS、ACL、NAACL、ICML、CVPR、ICCV和EMNLP。总的来说，2019年每个重要的大会上发表的大多数论文都是用PyTorch实现的。在视觉相关的会议上，用PyTorch与用TensorFlow的比例为2：1，而在自然语言相关的会议上，这个比例为3：1。在更通用的机器学习大会（如ICLR何ICML）上，会议发表的论文中，PyTorch被引用的次数更多。
他认为，与TensorFlow相比 ，PyTorch取得进展的原因包括其简洁性、简单的用法和直观的API，以及（至少）可以接受的性能。
另一方面，作者测量行业采用情况的指标表明，TensorFlow仍然处于领先地位。所用的指标包括：招聘岗位、GitHub受欢迎程度、媒体文章数量等等。他总结了学术界和工业界之间存在的差距有三倍的原因。首先，很多公司会尽可能地避免Python运行时的开销。其次，PyTorch不支持移动“边缘”机器学习。巧合的是，Facebook在PyTorch 1.3版本中刚刚加入对移动设备的支持，该版本发布于本月早些时候。再者，缺乏围绕服务相关的功能，这意味着PyTorch系统比用TensorFlow开发的等效系统更难产品化。
在过去的一年中，PyTorch和TensorFlow在很多方面都变得更加趋于相同了。PyTorch引入了“Torchscrip”和JIT编译器，而TensorFlow宣布将从2.0版本开始转向执行的“Eager模式”。Torchscript本质上是PyTorch的图形化表示。从代码中获取图形意味着，我们可以在C++中部署模型并进行优化。TensorFlow的Eager模式提供了一个命令式编程环境，可以立即评估操作，无需构建图形。在优缺点方面，它和PyTorch的Eager模式类似。它有助于调试，但是，模型无法导出到Python之外进行优化以及在移动设备上运行等等。