PyTorch vs. Tensorflow กระตือรือร้น

เมื่อเร็ว ๆ นี้ Google รวมอยู่ในการสร้างโหมดEagerซึ่งเป็น API ที่จำเป็นสำหรับการเข้าถึงความสามารถในการคำนวณ tensorflow

tensorflow กระตือรือร้นอย่างไรเปรียบเทียบกับ PyTorch

บางแง่มุมที่อาจส่งผลต่อการเปรียบเทียบคือ:

• ข้อดีและข้อเสียของความกระตือรือร้นเนื่องจากกราฟแบบคงที่ (เช่นชื่อในโหนด)
• ข้อ จำกัด ที่แท้จริงของข้อใดข้อหนึ่งที่ไม่ได้มี
• พื้นที่ที่หนึ่งในนั้นต้องการการปรับปรุง (เช่นความสมบูรณ์ของคุณสมบัติการเพิ่มประสิทธิภาพการคำนวณ)
• ความแตกต่างของระบบนิเวศ (เช่นเมตริกซ์หรือไม่)

หมายเหตุ 1: ยาโรสลาฟ Bulatov เขียนความคิดเห็นเกี่ยวกับคุณสมบัติที่ดีของความกระตือรือร้น

Note2: ในคำถามก่อนหน้านี้ฉันขอเปรียบเทียบระหว่าง PyTorch และ Tensorflow Fold ในเวลานั้นฉันรู้สึกว่าพับอาจเผชิญ PyTorch ขอบคุณ Google สำรอง ฉันผิดอย่างมาก: ในที่สุด Google เองก็ละทิ้งการพับในความโปรดปรานของ Eager ฉันเข้าใจว่าสิ่งนี้เกิดจากข้อ จำกัด ที่แท้จริงใน tensorflow API ปกติที่ทำให้ Fold ไม่เป็นมิตรซึ่ง จำกัด การยอมรับ

ข้อดีอย่างหนึ่งที่ฉันใช้บ่อยๆคือมันเข้ากันได้กับ pdb ดังนั้น

pdb.set_trace # To the rescue

อนุญาตให้ใช้โครงสร้างข้อมูลหลาม

และให้เราใช้การควบคุม pythonic แทนการใช้เทียบเท่าหลัก tf

นอกจากนี้ยังช่วยหลีกเลี่ยงปัญหาการเปรียบเทียบโปรแกรมเช่น "การโหลดแบบขี้เกียจ" และการเพิ่มการดำเนินการลงในกราฟของฉัน นอกจากนี้ยังมีความคล้ายคลึงกัน autograd