PyTorch vs. Tensorflow chętny

Google niedawno zawarł w nocnej kompilacji tensorflow tryb Eager , niezbędny interfejs API umożliwiający dostęp do możliwości obliczeń tensorflow.

Jak tensorflow chętnie wypada w porównaniu z PyTorch?

Niektóre aspekty, które mogą mieć wpływ na porównanie, to:

• Zalety i wady chętnych ze względu na spuściznę graficzną (np. Nazwy w węzłach).
• Wewnętrzne ograniczenia jednego z nich, których drugi nie ma.
• Obszary, w których jeden z nich wymaga poprawy (np. Kompletność funkcji, optymalizacje obliczeniowe).
• Różnice w ekosystemie (np. Tensorboard?).

Uwaga 1: Jarosław Bułatow napisał recenzję o fajnych cechach chętnych .

Uwaga 2: W poprzednim pytaniu poprosiłem o porównanie PyTorch i Tensorflow Fold. W tym czasie wydawało mi się, że Fold może stawić czoła PyTorchowi dzięki wsparciu Google. Bardzo się myliłem: ostatecznie Google porzuciło Fold na rzecz Eager. Rozumiem, że było to spowodowane wewnętrznymi ograniczeniami w normalnym interfejsie API tensorflow, który spowodował, że Fold nie był zbyt przyjazny, co ograniczyło jego przyjęcie.

Jedną z kluczowych zalet, z której często korzystam, jest kompatybilność z pdb, więc

pdb.set_trace # To the rescue

Pozwala na użycie struktur danych Pythona

i zastosujmy pythonowy przepływ kontrolny zamiast głównych ekwiwalentów tf.

Pozwala także uniknąć problemów z metaprogramowaniem, takich jak „leniwe ładowanie” i dodanie do mojego wykresu wielu operacji. Również podobieństwa autograd