PyTorch проти Tensorflow Fold

І PyTorch, і Tensorflow Fold є глибокими рамками навчання, призначеними для вирішення ситуацій, коли вхідні дані мають неоднакову довжину або розміри (тобто ситуації, коли динамічні графіки є корисними або потрібними).

Мені хотілося б знати, як вони порівнюються, у сенсі парадигм, на які вони покладаються (наприклад, динамічне формування) та їх наслідків, речей, які не можуть бути реалізовані в кожній, слабкості / сильні сторони тощо.

Я маю намір використовувати цю інформацію, щоб вибрати одну з них, щоб почати вивчення графіків динамічних обчислень, але я не маю на увазі конкретного завдання.

Примітка 1: інші динамічні рамки обчислювальної графіки, такі як DyNet або Chainer , також вітаються в порівнянні, але я хотів би зосередитись на PyTorch і Tensorflow Fold, тому що я думаю, що вони / будуть найбільш використовуваними.

Примітка 2: Я знайшов цю тему hackernews на PyTorch з дещо рідкою інформацією, але не дуже.

Примітка 3: Ще одна відповідна нитка hackernews , про Tensorflow Fold, яка містить деяку інформацію про те, як вони порівнюються.

Примітка 4: відповідна нитка Reddit .

Примітка 5: відповідна помилка в github Tensorflow Fold, яка визначає важливе обмеження: неможливість зробити умовне розгалуження під час оцінки.

Примітка 6: обговорення на форумі pytorch про введення змінної довжини стосовно використовуваних алгоритмів (наприклад, динамічне пакетне з'єднання ).

Зараз на Reddit є кілька хороших ниток ( тут і тут ).

Я не використовував жодної з цих фреймворків, але з читання та розмови з користувачами я вважаю, що підтримка динамічних графіків в PyTorch є принципом "згори вниз", тоді як TensorFlow Fold прикріплений до оригінальної рамки Tensorflow, так що якщо ви робите що-небудь досить складне з Tensorflow Fold, ви, мабуть, в кінцевому підсумку робите набагато більше злому, ніж якщо ви використовуєте PyTorch .