PyTorch vs. Tensorflow bersemangat

Google baru-baru ini termasuk dalam tensorflow nightly membangun mode Eager -nya , API penting untuk mengakses kemampuan komputasi tensorflow.

Bagaimana tensorflow ingin dibandingkan dengan PyTorch?

Beberapa aspek yang dapat memengaruhi perbandingan dapat:

• Keuntungan dan kerugian dari keinginan karena warisan grafik statis (misalnya nama dalam node).
• Keterbatasan intrinsik salah satu dari mereka yang tidak dimiliki oleh yang lain.
• Area di mana salah satunya membutuhkan peningkatan (mis. Kelengkapan fitur, optimisasi komputasi).
• Perbedaan ekosistem (mis. Papan tensor?).

Catatan1: Yaroslav Bulatov menulis ulasan tentang fitur bagus eager .

Note2: Dalam pertanyaan sebelumnya , saya meminta perbandingan antara PyTorch dan Tensorflow Fold. Saat itu, saya merasa bahwa Fold dapat menghadapi PyTorch berkat dukungan Google. Saya sangat salah: pada akhirnya, Google sendiri mengabaikan Fold demi Eager. Saya mengerti bahwa ini adalah karena keterbatasan intrinsik dalam API tensorflow normal yang menyebabkan Fold tidak terlalu ramah, yang membatasi pengadopsiannya.

Salah satu keuntungan utama yang saya gunakan banyak adalah yang kompatibel dengan pdb, jadi

pdb.set_trace # To the rescue

Mengizinkan penggunaan struktur data python

dan mari kita gunakan aliran kontrol pythonic alih-alih menggunakan padanan utama tf.

Juga memungkinkan untuk menghindari masalah pemrograman metap seperti "lazy loading" dan menambahkan banyak operasi ke grafik saya. Juga kesamaan autograd