算法和算法框架是机器学习非常重要的两个因素，算法就是诸如LR、GBDT、DNN、DeepFM这样的实际解决某个数学问题的公示实现。算法框架指的是计算框架，计算框架可以让算法执行更高效，比如最早玩深度学习的人都用过Theano，基于Theano去开发算法很困难，后来有了PyTorch和TensorFlow，让基于深度学习的算法开发更方便。
最近看了很多文章也参加了很多讨论，分享下我的看法。目前看上来，业内做框架的看上去更吃香，特别是在大公司。但是这个现状跟我自己的看法有些出入。
算法代表着业务，更具生命力首先我们回顾下算法的发展，其实无论是浅层的以LR为代表的算法，还是深度学习中以DNN为代表的算法。本质上都是计算梯度，然后反向传播去更新每一层级网络的参数，区别就是网络层数不同。可以说这种算法诞生于上世纪60年代，在这么多年的发展中，这些算法并没有被时代淘汰。即使是今天，LR依然在大部分业内的推荐系统中发光发热。
算法之所以有生命力，是因为算法跟业务结合的更紧密，无论是上世纪还是下世纪，我觉得业务的本质不会变，这也意味着算法的逻辑本质上不会变，只会不断演进。
框架代表计算力，更迭更快而框架往往是不感知业务逻辑的，今天的TF框架跟10年前的框架不同，而10年前的框架跟20年前的框架又不同。我的一个观点是框架软件层面的优化永远追不上硬件的发展。
举个例子，10年前做机器学习都用CPU为计算资源，当时很多人做CPU计算框架的编译优化。但是后来Hilton的学生发表了如何用GPU做深度学习，一下子将计算效率提升了几十倍，这种情况下过去CPU级别的框架优化变的没有那么有意义。未来可能有TPU，有量子计算等计算硬件不断推出。今天的框架优化，一定会在未来成为泡影。
框架和算法谁是未来既然算法更有生命力，框架是暂时的，那是不是就不做框架优化了？这个要站在不同的角度去看，如果今天对一个开发同学来说，我觉得做框架更有意义，因为框架会涉及到更多地底层，门槛更高。虽然今天框架会逐渐被未来的框架替代，但是其中的一些优化逻辑是相同的。所以，对于技术同学来说，做框架更有前途。
那如果是站在产品经理的角度呢？产品经理会更多地去接触业务，我觉得去更多了解算法更有前途。
所以框架和算法谁是未来，对于产品经理来说，更多地了解算法更好。对于技术同学来说，优化框架更有利于技术发展。自己的一点看法~欢迎抛转。
