"
lutte tensorflow et cadre PyTorch d'une longue période, une des nouvelles récentes laissent camp PyTorch « cadeau à un général. » OpenAI dit qu'ils avaient tourné entièrement PyTorch et cadre unifié pour tous les modèles de ses propres normes.
"
Pour cadre d'apprentissage profond, toute la communauté du renseignement artificielle peut être grossièrement divisé en deux camps: tensorflow et PyTorch. L'idée que, PyTorch plus approprié pour la recherche, alors que l'application industrielle réelle peut être plus biaisé en faveur des tensorflow. PyTorch a un support API conviviale pour Python et une bonne écologie, plus approprié pour les milieux universitaires. Le tensorflow parce que l'inertie de l'utilisateur et de soutien pour l'environnement de la production industrielle, plus adapté à l'industrie.
Récemment, une nouvelles corroborée fait ce point de vue. OpenAI-- a étudié AI jouant Dota2, la PNL pré-lancement modèle de formation GPT-2, et de permettre au robot de restaurer le cube avec un des projets de main tels que les institutions de recherche d'intelligence artificielle ont annoncé qu'ils seront complètement mis PyTorch.
De 2017 à maintenant tensorflow équilibre dominante relative du pouvoir dans le cadre des deux côtés de l'équipe de développement probablement ne s'y attendait pas être si PyTorch favorisée par la communauté.
projet PyTorch aux normes unifiées
Dans un post bref blog, OpenAI dit qu'ils utiliseront PyTorch comme un cadre unifié pour l'apprentissage en profondeur . Avant cela, ils utilisent différents cadres dans différents projets basés sur le cadre lui-même caractéristiques et avantages.
OpenAI que, pour le rendre plus facile pour les équipes de créer et de partager des modèles et de leurs applications, en utilisant PyTorch est le meilleur choix. PyTorch grâce à un cadre normalisé, OpenAI peut tirer parti de sa plate-forme, faire toutes sortes de modèles et applications peuvent être multiplexés propre cadre et des outils .
Une autre raison importante est que PyTorch un choix: l'utiliser pour obtenir une variété d'idées nouvelles sont particulièrement vulnérables, en particulier sur le cluster GPU. OpenAI dit dans le blog, puisque le PyTorch choisi, ils peuvent faire des recherches idées pour générer un modèle de temps de développement itératif de semaines à quelques jours de compression. Cela permet d'économiser beaucoup de temps. De plus, derrière PyTorch a aussi une communauté de développement actif, y compris Facebook et d'autres grandes institutions de recherche utilisent.
article OpenAI a également déclaré que la plupart de leur équipe a terminé la migration. Sauf si vous avez des raisons techniques spécifiques, essentiellement PyTorch est le cadre principal de l'apprentissage en profondeur. Par exemple, OpenAI a récemment lancé la version PyTorch de la profondeur de la bibliothèque d'apprentissage de renforcement - « Préchauffage ».
De plus, OpenAI ouvrira plus PyTorch par projet dans une suite de programmes open-source , Comme "Bloc-Sparse GPU Noyaux." C'est le cur d'une nouvelle architecture, informatique plus rapide que cuBLAS et cuSPARSE.
beaucoup de TF des problèmes, les utilisateurs se tournent vers PyTorch
En effet, par rapport à tensorflow, PyTorch existent encore courte performance du conseil, de soutien et d'autres aspects de l'écologie industrielle. Mais il est indéniable, tensorflow de nombreux problèmes à conduire de l'utilisateur PyTorch.
Le premier est la facilité des problèmes d'utilisation. Tensorflow vient de sortir quand une courbe d'apprentissage abrupte. Pour saisir ce cadre, qui est aussi difficile que l'apprentissage d'une nouvelle langue de programmation. Et très tôt le PyTorch de conception « Pythonic » et Python aussi facile à utiliser.
Suivi par la stabilité de l'API. Parce que quand la naissance tensorflow, le manque de l'industrie et du milieu universitaire pour une expérience de conception du cadre de l'apprentissage en profondeur, ainsi définie dans l'API, la conception et la fonction à réaliser qu'il ya de nombreux aspects de la compréhension des différentes, les développeurs ont également connu beaucoup de détours. Sans parler de la profondeur de l'apprentissage lui-même est le développement rapide de nouveaux algorithmes nécessitant une API rapide. Cela conduit à tensorflow l'API a changé et changé, ainsi que beaucoup d'API contrib. En revanche, PyTorch itération de l'API est plus stable, et aucun problème de confusion de nom.
Pour ces deux raisons, PyTorch a un moindre coût pour commencer, ainsi que l'utilisation des caractéristiques d'une mise en uvre plus rapide par rapport à tensorflow. Par conséquent, il y a souvent de nouvelles idées faveur de PyTorch plus académique, après tout ce qu'ils ont besoin est un cadre d'apprentissage en profondeur pour mettre en uvre rapidement des idées et itération rapide. OpenAI souvent une variété d'algorithmes et instituts de recherche innovants, en utilisant PyTorch naturellement plus raisonnable.
Note des utilisateurs
Pour OpenAI embrasser complètement PyTorch nouvelles, de nombreux utilisateurs de Reddit ont présenté leurs propres points de vue.
A Netizen pense, après avoir été mis en colère tensorflow, puis se tourna vers PyTorch assez raisonnable. Il croit aussi que, TF2.0 en effet « l'ordre du chaos. »
Une autre est d'accord aussi, croit-il, se PyTorch peu à peu mieux, mais pas réellement TF2.0 les gens veulent être si bon. En outre, par rapport à tensorflow, la conception PyTorch et les défenseurs savent mieux comment maintenir un équilibre de flexibilité, facilité d'utilisation et l'adoption de nouvelles technologies.
Ensuite, les autres membres de la communauté fera ce choix? Tensorflow avait mieux travailler plus dur!
Les liens de référence:
https://openai.com/blog/openai-pytorch/
https://www.reddit.com/r/MachineLearning/comments/ew8oxq/n_openai_switches_to_pytorch/
Source: Almost Human
