PyTorch проти Tensorflow прагне

Нещодавно компанія Google, включена в нічну кількість тензорфлоу, створює свій режим Eager , необхідний API для доступу до можливостей обчислення tensorflow.

Як tensorflow нетерплячий порівняти з PyTorch?

Деякі аспекти, які можуть вплинути на порівняння, можуть бути:

• Переваги та недоліки охочих завдяки його статичній графічній спадщині (наприклад, імена у вузлах).
• Внутрішні обмеження будь-якого з них, яких інший не має.
• Області, в яких одна з них потребує вдосконалення (наприклад, повнота функцій, обчислювальна оптимізація).
• Екосистемні відмінності (наприклад, тензорна дошка?).

Примітка1: Ярослав Булатов написав рецензію про приємні риси нетерплячих .

Примітка2: У попередньому запитанні я попросив порівняння між PyTorch та Tensorflow Fold. Тоді мені здавалося, що Фолд може зіткнутися з PyTorch завдяки тому, що Google це підтримав. Я дуже помилявся: врешті-решт, Google відмовився від Fold на користь Eager. Я розумію, що це було зумовлено внутрішніми обмеженнями в звичайному API тензорного поглинання, що призвело до того, що Фолд не був дуже доброзичливим, що стримувало його прийняття.

Однією з ключових переваг, яку я дуже використовую, є те, що вона сумісна з pdb, так що

pdb.set_trace # To the rescue

Дозволяє використовувати структури даних python

і давайте використовувати пітонічний контрольний потік замість використання основних еквівалентів tf.

Крім того, це дозволяє уникнути питань метапрограмування, таких як "ледача завантаження" та додавання до мого графіка купи операцій. Також подібності з автоградом