blé Artemisia Temple du fond des châtaignes de cercle
Qubit produit | Numéro public QbitAI
Depuis ses débuts PyTorch, on a exprimé, nous avons trouvé cette tendance:
" Les milieux académiques Nous abandonnons lentement tensorflow, changer PyTorch. "
Aujourd'hui, la libération PyTorch 1.0, IPSC 2019 aussi peu de temps avant la date limite, mais aussi un bon moment pour discuter de cette question.
Reddit ci-dessus, un petit partenaire avec une très faible manière de carbone à regarder les papiers de cette année sont utilisés dans ce cadre:
De IPSC 2018 à 2019 IPSC affichage de vue, tensorflow, PyTorch et Keras de Nombre de résultats de recherche Il a changé comme suit.
Tensorflow 228 266PyTorch 87 252 Keras 42 56
Bien que trois données Jie hausse, mais PyTorch résultats de la recherche entre un an Il a augmenté de près de 200% Il semble avoir produit une menace sur le trône tensorflow.
19 janvier 2017, PyTorch première version publique, et aujourd'hui moins de deux ans, pourquoi développer un tel essor?
PyTorch peut être plus bienveillantes
En effet PyTorch affinité .
premier Facile à utiliser. Tant que familier avec Python, il est facile et PyTorch jouer ensemble. En revanche, le tensorflow d'étude comme l'apprentissage d'une nouvelle langue, la grammaire est très compliquée, surtout pas pour le novice.
deuxième De nombreuses opérations sont très simples. Par exemple, les conversions entre Tensor et Numpy, gracieusement fait des années PyTorch, et dans le TF n'a pas été facile.
En troisième lieu, Facile à déboguer. comme PyTorch Cadre dynamique figure L'avantage se reflète, comme le code Python pour débogage. Certaines personnes disent que dans le TF en debug, mais visuellement a lu plus rapide.
Quatrième ......
En bref, les humains laissent tensorflow étreinte PyTorch de celui-ci, les points de slot TF trop nombreux pour être cités.
Cependant, Les chercheurs La raison du choix PyTorch, principalement parce qu'il est bien adapté Les petits projets pour Le prototypage rapide Et ainsi de suite.
En revanche, tensorflow plus approprié Le déploiement à grande échelle En particulier, dans le besoin de déploiement et le temps de déploiement multi-plateforme embarquée. carte statique facilitera le déploiement.
Est inséparable tensorflow?
Même si, en tant que chercheur, il est encore raison Continuer tensorflow ensemble.
Le mois dernier, le scientifique de données nommé Jeff Hale, a fait une liste de cadre d'apprentissage profond.
Il a recueilli une grande variété de données, dont l'un est activité GitHub :
TF-vedette (Star), fourche (fourche), la quantité d'attention (Watch) et les contributeurs (Auteur) quatre indicateurs, les adversaires sont loin derrière.
La pénétration de faire ma part, ressources Est le plus grand, de nombreux modèles se trouvent dans le TF code mise en uvre . Les grands utilisateurs, un problème dont la solution est aussi facile à trouver.
Mature écosystème, probablement comme ça. Même s'il y a beaucoup d'inconvénients, toujours à la maison.
Trois PyTorch 1.0 mise à jour
Hier, Facebook a annoncé la PyTorch 1.0 RC1 à la conférence F8. Cette mise à jour majeure, dont trois points:
· Ajout d'une nouvelle headend hybride (Front End hybride), le soutien de Mode Désireuse à Mode graphique Le suivi, combler le fossé entre la recherche et le déploiement de la production;
· Ajout a've améliorée bibliothèque torch.distributed Afin que les utilisateurs peuvent entre l'environnement Python et C, modèle de formation plus rapide;
· Ajout d'un Mode désireux C ++ Interface Pour aider les personnes dans le besoin haute performance , faible latence Des recherches effectuées auparavant.
Pour de plus amples renseignements, visitez:
https://github.com/pytorch/pytorch/releases/
Chiffres PyTorch a été mis à jour, tensorflow être loin?
prévisions quotidiennes tensorflow 2.0
À la mi-Août, Martin Wicke du cerveau Google a révélé, tensorflow 2.0 est une version préliminaire plus tard cette année sera atteint et singes procédures.
Il a dit que nous pouvons nous attendre la mise à jour suivante:
· exécution Désireuse 2.0 deviendra une fonction de base. Cet environnement de programmation impérative fait introduction Tensorflow plus facile.
Soutien à plusieurs plates-formes, d'autres langues, la coordination par l'échange de formats et API standardisés, pour améliorer la compatibilité et la réciprocité entre les composants.
· Supprimer API dépréciée, et réduire les doubles emplois, mais aussi de réduire la confusion des utilisateurs.
Ici, mettant l'accent sur le couple Plus facile à utiliser Cela peut être en mesure de restaurer une partie de la intimidante, prêt à défaut des chercheurs PyTorch.
À l'avenir, le jeu entre le tensorflow et PyTorch, sera probablement de plus en plus attrayant.
- complet -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
qubit QbitAI · manchettes sur la signature de
' « suivre les nouvelles technologies AI dynamiques et de produits