Google niedawno zawarł w nocnej kompilacji tensorflow tryb Eager , niezbędny interfejs API umożliwiający dostęp do możliwości obliczeń tensorflow.
Jak tensorflow chętnie wypada w porównaniu z PyTorch?
Niektóre aspekty, które mogą mieć wpływ na porównanie, to:
- Zalety i wady chętnych ze względu na spuściznę graficzną (np. Nazwy w węzłach).
- Wewnętrzne ograniczenia jednego z nich, których drugi nie ma.
- Obszary, w których jeden z nich wymaga poprawy (np. Kompletność funkcji, optymalizacje obliczeniowe).
- Różnice w ekosystemie (np. Tensorboard?).
Uwaga 1: Jarosław Bułatow napisał recenzję o fajnych cechach chętnych .
Uwaga 2: W poprzednim pytaniu poprosiłem o porównanie PyTorch i Tensorflow Fold. W tym czasie wydawało mi się, że Fold może stawić czoła PyTorchowi dzięki wsparciu Google. Bardzo się myliłem: ostatecznie Google porzuciło Fold na rzecz Eager. Rozumiem, że było to spowodowane wewnętrznymi ograniczeniami w normalnym interfejsie API tensorflow, który spowodował, że Fold nie był zbyt przyjazny, co ograniczyło jego przyjęcie.
źródło
Odpowiedzi:
Jedną z kluczowych zalet, z której często korzystam, jest kompatybilność z pdb, więc
Pozwala na użycie struktur danych Pythona
i zastosujmy pythonowy przepływ kontrolny zamiast głównych ekwiwalentów tf.
Pozwala także uniknąć problemów z metaprogramowaniem, takich jak „leniwe ładowanie” i dodanie do mojego wykresu wielu operacji. Również podobieństwa autograd
źródło