PyTorch agresif ve programcılar TensorFlow'u terk mi ediyor?
Tercüman | Xi Yan
Üretildi | AI Teknolojisi Ana Kampı (ID: rgznai100)
Derin öğrenme 2012'de yeniden dikkatini çektiğinden beri, birçok makine öğrenimi çerçevesi, araştırmacıların ve endüstri uygulayıcılarının yeni favorileri haline geldi. Caffe ve Theano'nun erken akademik başarılarından, büyük bir endüstri tarafından desteklenen PyTorch ve TensorFlow'a kadar, çok sayıda seçenek, en popüler çerçevenin hangisi olduğunu izlemeyi zorlaştırıyor.
Genellikle yalnızca Re izliyorsanız gg herkesin PyTorch'a geçtiğini düşünebilirsiniz. Francois Chollet'in Twitter hesabına göre, TensorFlow / Keras en popüler olabilirken, PyTorch'un gelişim ivmesi durmuş durumda.
2019 yılında Makine öğrenimi çerçevelerine yönelik savaşa hala iki ana rakip hakimdir: PyTorch ve TensorFlow. Analizlerim, araştırmacıların TensorFlow'u terk edip PyTorch'a akın ettiğini gösteriyor. Aynı zamanda, Tensorflow şu anda sektörde tercih edilen platformdur, ancak uzun vadede durum böyle olmayabilir.
İlk olarak, ikisinin özelliklerini ve avantajlarını basit bir şekilde karşılaştıralım:
TF, derin öğrenme için güncel ana çerçevedir. Tensorflow'un temel özellikleri:
-
TensorFlow; python, JavaScript, C ++, Java ve Go, C # ve Julia gibi birden çok programlama dilini destekler.
-
TF yalnızca güçlü bir bilgi işlem kümesine sahip olmakla kalmaz, aynı zamanda modelleri iOS ve Android gibi mobil platformlarda da çalıştırabilir.
-
TF programlamaya başlamak zordur. Yeni başlayanlar, sinir ağının mimarisini dikkatlice düşünmeli ve girdi ve çıktı verilerinin boyutunu ve miktarını doğru bir şekilde değerlendirmelidir.
-
TF, çalışmak için statik hesaplama grafikleri kullanır. Diğer bir deyişle, önce grafiği tanımlamamız ve ardından hesaplamayı çalıştırmamız gerekiyor, mimaride değişiklik yapmamız gerekirse modeli yeniden eğiteceğiz. Bu yöntem verimliliği artırmak için seçilmiştir, ancak birçok modern sinir ağı aracı, öğrenme hızını önemli ölçüde düşürmeden öğrenme sürecindeki iyileştirmeleri dikkate alabilir. Bu bağlamda, TensorFlow'un ana rakibi PyTorch'tur.
TensorFlow avantajları:
-
Giriş grafikleri, SQL tabloları ve görüntüler gibi veri entegrasyonunu kolaylaştırmak için derin öğrenme mimarileri oluşturmak ve denemek için çok uygundur.
-
Google tarafından destekleniyor, bu da modelin kısa vadede terk edilmeyeceği anlamına geliyor, bu yüzden onu öğrenmek için zaman ayırmaya değer.
PyTorch'un temel özellikleri:
-
TensorFlow'un aksine, PyTorch kitaplığı işlemler için dinamik olarak güncellenen grafikler kullanır. Bu, süreçteki mimariyi değiştirebileceği anlamına gelir.
-
PyTorch'da pdb veya PyCharm gibi standart hata ayıklayıcıları kullanabilirsiniz.
PyTorch avantajları:
-
Bir sinir ağını eğitme süreci basit ve anlaşılırdır. Aynı zamanda PyTorch, veri paralel ve dağıtılmış öğrenme modellerini destekler ve ayrıca birçok önceden eğitilmiş model içerir.
-
PyTorch, küçük projeler ve prototip tasarımı için daha uygundur.
PyTorch'un TensorFlow ile farkı kademeli olarak nasıl daralttığına bir göz atalım.
PyTorch'un araştırma alanındaki hakimiyeti artmaya devam ediyor
Verilere bakalım. Aşağıdaki grafik, her bir üst düzey araştırma konferansında PyTorch kullanan makalelerin Tensorflow veya PyTorch kullanan kağıtlara oranını göstermektedir. Tüm düz çizgiler yukarı doğru eğimlidir ve 2019'daki her büyük konferansın bildirileri PyTorch ile uygulanmaktadır.
Toplantı açıklaması :
CVPR, ICCV, ECCV-Bilgisayarla Görme Konferansı
NAACL, ACL, EMNLP-NLP Konferansı
ICML, ICLR, NeurIPS-Integrated ML Konferansı
Veri toplama süreci hakkında detaylı bilgi
Grafik, son birkaç yılda büyük ML konferanslarında yayınlanan tüm makalelere dayanılarak oluşturulmuştur. Sınıflandırma, makalenin PyTorch veya TensorFlow'dan bahsedip bahsetmediğine bağlıdır, ancak Google veya Facebook ile ilişkili yazarları ve hem Tensorflow hem de PyTorch'tan bahseden makaleleri içermez. Bu yerlerin faktörleri https://thegradient.pub/p/cef6 ekinde bulunabilir. gg 26-f952-4265-a2bc-f8bfb9eb1efb /
Grafiğin etkileşimli versiyonu: https://chillee.github.io/pytorch-vs-tensorflow/
Araştırma dünyasında PyTorch'un geliştirme hızını kanıtlamak için daha fazla kanıta ihtiyacınız varsa, işte PyTorch ve TensorFlow'un orijinal istatistik tablosu.
2018 yılında, PyTorch azınlıkta. Şimdi, PyTorch'un CVPR'yi% 69, NAACL ve ACL'nin% 75'ten fazlasını ve ICLR ve ICML'nin% 50'den fazlasını hesaplamasıyla mutlak bir avantajı var. PyTorch yalnızca vizyon ve dil konferanslarında en güçlü hakimiyete sahip olmakla kalmaz (sırasıyla TensorFlow'un 2 katı ve 3 katı), aynı zamanda ICLR ve ICML gibi kapsamlı makine öğrenimi konferanslarında TensorFlow'dan daha popülerdir.
Bazı insanlar PyTorch'un TensorFlow'un hakim olduğu bir dünyada bir yer yaratmaya çalışan yeni bir çerçeve olduğunu düşünse de, veriler başka bir gerçeği ortaya koyuyor. ICML'ye ek olarak, TensorFlow'un büyüme hızı, kağıtların büyüme hızına bile ayak uyduramıyor. NAACL, ICLR ve ACL'de, bu yıl TensorFlow tarafından uygulanan makale sayısı aslında geçen yıla göre daha az.
PyTorch'un geleceği için endişelenmesi gerekmiyor, ama TensorFlow.
Araştırmacılar neden PyTorch'u seviyor?
-
basit. Uyuşmuş, çok python stiline benzer ve diğer Python ekosistemleriyle kolayca entegre edilebilir. Örneğin, PyTorch modelinde herhangi bir yere gidebilirsiniz eklemek Bir pdb kesme noktası kullanılabilir. TensorFlow'da, bir modelde hata ayıklama etkili zaman gerektirir ve çok daha karmaşıktır.
-
Harika API. TensorFlow'un API'si ile karşılaştırıldığında çoğu araştırmacı PyTorch'un API'sini tercih ediyor. Bir yandan, PyTorch daha iyi bir tasarıma sahip olduğu için, diğer yandan TensorFlow API'yi birden çok kez değiştirir ("katmanlar" gibi - > "İnce"- > "Tahminci" - > "Tf.keras") işlemleri daha "zihinsel engelli" dir.
-
verim. PyTorch'un dinamik grafiklerinin optimize etmek için daha az fırsata sahip olmasına rağmen, PyTorch'un TensorFlow'dan bile daha hızlı olduğuna dair birçok söylenti var. Bunun gerçekten doğru olup olmadığı net değil, ancak en azından TensorFlow bu alanda belirleyici bir avantaj elde edemedi.
Araştırma alanında TensorFlow'un beklentisi nedir?
TensorFlow işlevsellik açısından PyTorch ile aynı seviyede olsa bile, PyTorch zaten çoğu topluluğu kapsamıştır. Bu, PyTorch uygulamasının daha kolay bulunacağı ve yazarlar daha fazla kod yayınlamak için (insanların kullanması için) PyTorch kullanmaya teşvik edileceği ve ortak çalışanlarınızın PyTorch'u daha çok seveceği anlamına gelir. Bu nedenle, TensorFlow 2.0'a geçiş yavaş olabilir.
TensorFlow, Google / DeepMind'da her zaman belirli bir hedef kitleye sahip olacak, ancak Google'ın sonunda yavaşlayıp yavaşlamayacağından emin değilim. Şu anda bile, Google'ın işe almayı planlayan birçok araştırmacı, çeşitli derecelerde PyTorch'u tercih ediyor ve Google'daki birçok araştırmacının TensorFlow dışındaki çerçeveleri kullanmak istediğine dair şikayetler duydum.
Ek olarak, PyTorch'un hakimiyeti, Google araştırmacıları ile diğer araştırma toplulukları arasındaki bağlantıyı kesmeye başlayabilir. Dış araştırmaya dayalı olarak inşa etmeleri sadece zor olmakla kalmaz, aynı zamanda dış araştırmacıların Google tarafından yayınlanan kodlar temelinde bir şeyler inşa etmesi de olası değildir.
TensorFlow 2.0'ın yeni TensorFlow kullanıcıları kazanıp kazanmayacağı görülecek. Hevesli mod çok çekici olsa da, Keras API için durum böyle değildir.
Üretim için PyTorch ve TensorFlow
PyTorch şu anda araştırma alanında baskın bir konumda olmasına rağmen, sektöre hızlı bir bakış, TensorFlow'un hala baskın çerçeve olduğunu ortaya çıkaracaktır. Örneğin, halka açık işe alım platformundaki 2018'den 2019'a kadar olan verilere dayanarak, TensorFlowun işe alma pozisyonları şunları içerir: 154 1 ve PyTorch 143 Seven, Mediumun makaleleri 3.230 TensorFlow ile ilgili makale içerir ve PyTorchun 1.200 makalesi vardır. TensorFlow ve GitHubdaki PyTorch sırasıyla 137.000 ve 7.2k Yıldız içerir.
Bu nedenle, PyTorch araştırmacılar arasında bu kadar popüler hale geldiyse, neden endüstride aynı başarıyı elde edemedi? Açıkçası, ilk cevap eylemsizlik . TensorFlow, PyTorch'tan daha önce ortaya çıktı ve endüstri, yeni teknolojileri benimsemekte araştırmacılardan daha yavaş. başka bir sebep TensorFlow, üretimde PyTorch'tan daha iyidir . Ama bu ne anlama geliyor?
Bu soruyu cevaplamak için, araştırmacıların ve endüstrinin ihtiyaçlarının nasıl farklılaştığını bilmemiz gerekiyor.
Araştırmacılar, ne kadar hızlı araştırma yapabileceklerini önemsiyorlar. Bu tür araştırmalar genellikle nispeten küçük veri kümeleri (bir bilgisayara sığabilen veri kümeleri) üzerinde çalıştırılır ve < 8 GPU. Genellikle, ana karar faktörü performans değil, yeni fikirlerini hızlı bir şekilde uygulama yeteneğidir. Öte yandan endüstri, performansın en büyük öncelik olduğuna inanıyor. Çalışma süresini% 10 artırmak araştırmacılar için anlamsız olsa da, şirkete doğrudan milyonlarca dolar tasarruf sağlayabilir.
Diğer bir fark, dağıtımdır. Araştırmacılar kendi bilgisayarlarında veya araştırma çalışmalarını yürütmeye adanmış sunucu kümelerinde deneyler yapacaklar. Öte yandan, sektörün birçok kısıtlaması / gerekliliği var.
-
Python yok . Bazı şirketler Python'u çalıştırmak için çok pahalı olan sunucular kullanır.
-
mobil. Python yorumlayıcısını mobil ikili dosyaya yerleştiremezsiniz.
-
hizmet . Kesinti süresi olmadan modelleri güncelleme, modeller arasında sorunsuz geçiş yapma, tahmin sırasında toplu işleme vb. Gibi kapsamlı işlevler.
TensorFlow, bu gereksinimler için özel olarak oluşturulmuştur ve tüm bu sorunlara çözüm sağlar: Grafik formatı ve yürütme motoru Python, TensorFlow Lite ve TensorFlow Sunum'a ihtiyaç duymaz, sırasıyla mobil ve hizmet endişelerini çözer.
Tarihsel olarak, PyTorch bu hususları karşılayamadı, bu nedenle çoğu şirket şu anda üretimde TensorFlow kullanıyor.
Çerçeve "füzyon"
2018'in sonunda, iki büyük olay işleri zorlaştırdı:
PyTorch, bir JIT derleyicisini ve "TorchScript" i sunarak grafik tabanlı işlevler sunar.
TensorFlow, varsayılan olarak istekli moda geçeceklerini duyurdu.
Açıkçası, bunların hepsi zayıflıklarını çözme girişimleridir. Peki bu işlevler tam olarak nedir? Ne sağlıyorlar?
PyTorch Torch komut dosyası
PyTorch JIT, TorchScript olarak adlandırılan PyTorch'un ara gösterimidir (IR). TorchScript, PyTorch'un "grafik" bir temsilidir. İzleme veya komut dosyası modunu kullanarak normal PyTorch modellerini TorchScript'e dönüştürebilirsiniz. İzleme, bir işlev ve bir girdi kullanır, girdi kullanılarak gerçekleştirilen işlemleri kaydeder ve IR oluşturur. İzleme basit ve anlaşılır olmasına rağmen, dezavantajları vardır. Örneğin, yürütülmemiş kontrol akışını yakalayamaz. Başka bir örnek için, koşullu blok yürütülürse, koşullu bloğun hata bloğu yakalanamaz.
Komut dosyası modu bir işlev / sınıf kullanır, Python kodunu yeniden yorumlar ve doğrudan TorchScript IR'yi çıkarır. Bu, isteğe bağlı kodu desteklemesine izin verir, ancak gerçekte Python'un yeniden yorumlanmasını gerektirir.
PyTorch modeliniz bu IR'ye girdiğinde, grafik modunun tüm avantajlarından yararlanacağız. PyTorch modellerini Python'a güvenmeden C ++ 'da dağıtabilir veya optimize edebiliriz.
Tensorflow Hevesli
API düzeyinde, TensorFlow Eager modu temelde Chainer nedeniyle başlangıçta popüler olan PyTorch'un Eager modu ile aynıdır. Bu, TensorFlow'a PyTorch Eager modunun birçok avantajını sağlar (kullanımı kolay, hata ayıklama vb.).
Ancak bu aynı dezavantajları TensorFlow'a da getiriyor. TensorFlow Eager modu Python dışı bir ortama aktarılamaz, optimize edilemez, mobil cihazlarda çalıştırılamaz vb.
Bu, TensorFlow ve PyTorch'un her ikisinin de kendi problemleriyle yüzleşmesine neden olur ve temelde aynı şekilde çözülürler - kodu (tf fonksiyonu) izleyebilir veya Python kodunu (İmza) yeniden yorumlayabilirsiniz.
(Şekil 12-4 TensorFlow, görüntüleri oluşturmak için imza ve izlemeyi nasıl kullanır)
Bu nedenle, TensorFlow'un Eager modu size "her iki dünyanın en iyisi" deneyimini gerçekten sağlamaz. İstekli kodu statik grafiklere dönüştürmek için tf.function açıklamalarını kullanmak mümkün olsa da, hiçbir şekilde kesintisiz bir işlem değildir (PyTorch'un TorchScript'inin de benzer sorunları vardır). İzleme temelde sınırlıdır ve Python kodunu yeniden yorumlamak temelde birçok Python derleyicisinin yeniden yazılmasını gerektirir. Tabii ki, derin öğrenmede kullanılan Python alt kümesini sınırlayarak şunları yapabilirsiniz: Çok daraltmak.
Varsayılan olarak, Eager modu etkinleştirildiğinde, TensorFlow kullanıcıları kullanımı basitleştirmek için istekli yürütmeyi seçmeye zorlar ve dağıtım için yeniden yazılması gerekir veya istekli yürütmeyi hiç kullanmaz. TensorFlow, bu noktada PyTorch ile aynıdır, ancak PyTorch'un TorchScript'i mevcuttur ve bu, TensorFlow'un "varsayılan istekli" sinden daha hoş olabilir.
Makine Öğrenimi Çerçevesinin Durumu
Bu nedenle, makine öğrenimi çerçevesinin mevcut durumuna ulaşıyoruz. PyTorch'un bir araştırma pazarı var ve bu başarıyı endüstriye yaymaya çalışıyor. TensorFlow, çok fazla üretim kapasitesinden ödün vermeden araştırma topluluğunda elinden gelenin en iyisini yapmaya çalışır.
PyTorch'un endüstri üzerinde anlamlı bir etkisinin olması kesinlikle uzun zaman alacaktır, çünkü TensorFlow köklüdür ve endüstri yavaş gelişmektedir. Ancak, TensorFlow 1.0'dan 2.0'a geçiş zor olacak ve bu da şirkete PyTorch'u değerlendirme fırsatı verecek.
Gelecek, aşağıdaki soruları kimin en iyi yanıtlayacağına bağlı olacaktır:
-
Araştırmacıların tercihleri sektörü ne ölçüde etkileyecek? Mevcut doktora dereceleri mezun olmaya başladığında, PyTorch'u sektöre kazandıracaklar. Bu tercih, şirketin işe alım amaçları için PyTorch'u seçmesine yetecek kadar güçlü mü? Mezunlar PyTorch tabanlı girişimleri başlatacak mı?
-
TensorFlow'un istekli modu PyTorch'un kullanılabilirliğini yakalayabilir mi? Sorun izleyici ve çevrimiçi topluluk bana, TensorFlow Eager'ın ciddi şekilde performans / bellek sorunlarından muzdarip olduğu ve Autograph'ın kendi sorunları olduğu izlenimini verdi. Google, çok fazla mühendislik çabası harcayacak, ancak TensorFlow, ağır bir tarihsel yük taşıyor.
-
PyTorch üretim durumuna ne kadar çabuk ulaşabilir? PyTorch'un çözülmemiş birçok temel sorunu vardır - iyi nicel göstergeler, mobilite, hizmet verilebilirlik vb. Yoktur. Bu sorunlar çözülene kadar PyTorch birçok şirketin tercihi bile olmayacak. PyTorch, şirketi değiştirecek kadar çekici mi? Not: PyTorch nicelemeyi ve mobil teknolojileri zaten desteklemektedir, ancak her ikisi de hala deney aşamasındadır, ancak bu bağlamda PyTorch'ta büyük bir ilerlemeyi temsil etmektedirler.
-
Google'ın sektördeki izolasyonu ona zarar verecek mi? Google'ın TensorFlow'u tanıtmasının ana nedenlerinden biri, bulut hizmetlerinin hızla geliştirilmesine yardımcı olmaktır. Google, ML çerçeveleri için dikey pazarın tamamını işgal etmeye çalışırken, bu Google'ın rakiplerine (Microsoft, Amazon, Nvidia) onunla rekabet edebilecek bu tek makine öğrenimi çerçevesini destekleme konusunda ilham verdi.
Sıradaki ne?
Makine öğrenimi çerçevelerinin makine öğrenimi araştırması üzerindeki etkisi hafife alınabilir. Yalnızca makine öğrenimi araştırmasını desteklemekle kalmaz, aynı zamanda araştırmacıların kolayca keşfedebilecekleri fikirleri teşvik eder veya sınırlar. Bunu çerçevede ifade etmenin kolay bir yolu olmadığı için, beşikte kaç yeni fikir öldürüldü? PyTorch yerel araştırma için minimum gereksinimlere ulaşmış olabilir, ancak diğer çerçevelerin sağlayabileceği yetenekleri ve getirebilecekleri araştırma fırsatlarını keşfetmeye devam etmek için keşfetmeye değer.
Daha yüksek mertebeden diferansiyel:
PyTorch ve Tensorflow'un özü, otomatik farklılaştırma çerçevesidir. Yani, kişinin belirli fonksiyonların türevini almasına izin verirler. Bununla birlikte, otomatik farklılaştırma elde etmenin birçok yolu vardır ve çoğu modern makine öğrenimi çerçevesi tarafından seçilen özel uygulama, genellikle "geri yayılma" olarak adlandırılan "ters mod otomatik farklılaştırma" dır. Gerçekler, bu uygulamanın sinir ağlarını kullanmak için son derece etkili olduğunu kanıtladı.
Bununla birlikte, daha yüksek mertebeden türevleri hesaplarken durum değişti (Hessian / Hessian vektör ürünü). Bu değerlerin verimli bir şekilde hesaplanması, sözde "ileri mod otomatik farklılaşması" gerektirir. Bu özellik olmadan, Hessian Vector Ürünlerinin hesaplanması birkaç büyüklük sırası daha yavaş olabilir.
Jax girin. Jax ve Autograd'ın mucitleri aynı kişilerdir ve ileri ve geri modları arasında otomatik farklılıklar vardır. Bu, yüksek mertebeden türevlerin hesaplanmasını PyTorch / TensorFlow'dan daha hızlı yapar.
Bununla birlikte, Jax sadece daha yüksek mertebeden türevler sağlamaz. Jax geliştiricileri, Jax'i, vmap (otomatik toplu işleme için) veya pmap (otomatik paralelleştirme için) dahil olmak üzere rastgele işlevsel dönüşümler oluşturan bir çerçeve olarak görürler.
Orijinal autograd'ın sadık hayranları var (GPU desteği olmamasına rağmen, ICML ile ilgili hala onu kullanan 11 makale var) ve Jax yakında çeşitli n-sipariş türevlerinde kullanmak için sadık bir topluluk oluşturabilir.
Kod üretimi
PyTorch / TensorFlow modelini çalıştırdığınızda, işin çoğu aslında çerçevenin kendisinde değil, üçüncü taraf çekirdekler tarafından yapılır. Bu çekirdekler genellikle donanım satıcıları tarafından sağlanır ve üst düzey çerçeveler tarafından kullanılabilen operatör kitaplıklarından oluşur. Bunlar MKLDNN (CPU için) veya cuDNN (Nvidia GPU için) gibi şeylerdir. Üst düzey çerçeve, hesaplama grafiğini birden çok bloğa böler ve ardından bu hesaplama kitaplıkları çağrılabilir. Bu kitaplıklar binlerce saatlik işçiliği temsil eder ve genellikle mimari ve uygulamalar için en iyi performansı üretecek şekilde optimize edilir.
Bununla birlikte, standart olmayan donanıma, seyrek / nicelenmiş tensörlere ve yeni operatörlere olan son ilgi, bu operatör kitaplıklarına güvenmenin ana dezavantajını ortaya çıkardı: esnek değiller. Ya araştırmanızda Capsule Network gibi yeni bir operatör kullanmak isterseniz? Modeli ML çerçevesi tarafından iyi desteklenmeyen yeni bir donanım hızlandırıcıda çalıştırmak isterseniz ne olur? Mevcut çözümler genellikle gereksinimleri karşılamada başarısız olur.Örneğin, GPU'da kapsül ağının uygulanması, en iyi uygulamadan 2 kat daha yavaştır.
Her yeni donanım mimarisi, tensör sınıfı veya operatör, Çok Bu sorunun zorluğunu artırın. Problemin farklı yönlerini çözmek için birçok araç vardır (Halide, TVM, PlaidML, Tensor Comprehensions, XLA, Taco vb.), Ancak doğru yöntemin ne olduğu net değildir.
Bu sorunu çözmek için daha fazla çalışma yapmadan, ML araştırmalarını sahip olduğumuz araçlara gereğinden fazla uydurma riskini alırız.
Makine öğrenimi çerçevesinin geleceği
TensorFlow ve PyTorch'un tasarımları tutarlı hale geldi, böylece hiçbir çerçeve tasarımı sayesinde kesin bir zafer kazanamayacak. Taraflardan her biri bir bölgeyi işgal edecek - biri araştırma topluluğuna, diğeri endüstriye sahip olacak.
Kişisel görüşüme göre, PyTorch ve TensorFlow arasında, PyTorch'un daha fazla avantajı olduğunu düşünüyorum. Makine öğrenimi hala araştırma odaklı bir alandır. PyTorch araştırmaya öncülük ettiği sürece endüstri araştırma sonuçlarını görmezden gelemez, bu şirketi bir seçim yapmaya zorlayacaktır.
Ancak, hızla gelişen sadece çerçeve değildir. Makine öğrenimi araştırmasının kendisi de sürekli bir değişim halindedir. Sadece çerçeve değişmekle kalmayacak, 5 yılda kullanılan modeller / donanımlar / örnekler bugün kullandığımız modellerden / görünümlerden çok farklı olabilir. Başka bir bilgi işlem modelinin popülaritesiyle, belki de PyTorch ve TensorFlow arasındaki mücadele önemsiz hale gelecektir.
Tüm bu çıkar çatışmalarında ve makine öğreniminin faydalarında bir adım geriye gidin. Çoğumuz para kazanmak veya şirketin stratejik planlarına yardımcı olmak için makine öğrenimi yazılımı geliştirmiyoruz. Makine öğrenimi ile ilgilenmemizin nedeni, önemsiyor olmamız, Dikkat Yapay zekayı demokratikleştirmek için makine öğrenimi araştırmasını ilerletin veya yalnızca Dikkat İlginç bir şey yaratın. İster TensorFlow'u ister PyTorch'u sevin, biz sadece en iyi makine öğrenimi yazılımı içiniz.
Son olarak, makine öğrenimi çerçeveleri savaşında, TensorFlow ve PyTorch'a ek olarak, karmaşık mimarilere sahip sinir ağları oluşturmak için DeepMind ve TensorFlow'a dayalı Sonnet gibi geniş bir kullanıcı yelpazesine sahip başka çerçeveler de vardır. , Yeni başlayanların makine öğrenimine hızlı bir şekilde başlamaları için uygun, Keras, yüksek ölçeklenebilir derin öğrenme aracı MXNet, karmaşık modeller oluşturmak için kullanılabilen Gluon, genel programlama dilleriyle doğrudan entegre ederek daha güçlü algoritmaları ifade edebilen Swift için Swift, dinamik Hesaplamalı grafikler veya ağ sinir ağı çerçevelerinin "büyük öncülleri" zincirleyicisi, çeşitli derin öğrenme çerçevelerinin avantajlarını bütünleştiren Java derin öğrenme çerçevesi DL4J, ONNX, TensorFlow ve PyTorch kadar popüler olmasalar da, tümü kendi özelliklerine sahip makine öğrenimi çerçeveleridir. Ancak farklı görev türleri için yine de kendi avantajlarını gösterir.
Orijinal bağlantı:
https://thegradient.pub/state-of-ml-frameworks-2019-pytorch-dominates-research-tensorflow-dominates-industry/
SON
