PyTorch обогнал TensorFlow благодаря удобству и гибкости. Он использует динамические графы (eager execution по умолчанию), что упрощает отладку и эксперименты. Код на PyTorch выглядит более "питоничным" и интуитивным. Например:

import torch

Простейшая модель

model = torch.nn.Linear(1, 1)
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

Прямой проход и обновление весов

inputs = torch.tensor([[1.0], [2.0]])
labels = torch.tensor([[2.0], [4.0]])

outputs = model(inputs)
loss = loss_fn(outputs, labels)
loss.backward()
optimizer.step()

TensorFlow 1.x требовал статических графов, что усложняло разработку. Хотя TensorFlow 2.0 добавил eager mode, PyTorch уже завоевал сообщество. Также PyTorch стал стандартом в академических исследованиях, что ускорило его adoption в индустрии.