网站怎么做能赚钱,上海注册公司代理电话,宁波seo推广咨询,怎么在手机上做企业网站来源#xff1a;机器学习研究组订阅用PyTorch还是TensorFlow#xff0c;对于大部分深度学习从业者来说真是一个头疼的问题。最近Reddit上有个帖子从三个方面对比了两个框架#xff0c;结果竟然是平手#xff1f;你用PyTorch还是用TensorFlow#xff1f;对于不同人群可能有… 来源机器学习研究组订阅用PyTorch还是TensorFlow对于大部分深度学习从业者来说真是一个头疼的问题。最近Reddit上有个帖子从三个方面对比了两个框架结果竟然是平手你用PyTorch还是用TensorFlow对于不同人群可能有不同的答案科研人员可能更偏爱PyTorch因其简单易用能够快速验证idea来抢占先机发论文。虽然TensorFlow的差评如海甚至有用户专门注册一个GitHub账号开个issue来骂TensorFlow但TensorFlow在工业界大哥的地位PyTorch仍然无法撼动。所以进入2022年你决定用PyTorch还是TensorFlow旷日持久的甜咸之争早在2015年11月9日TensorFlow依据阿帕奇授权协议Apache 2.0 open source license就开放了源代码其前身是谷歌的神经网络算法库DistBelief。TensorFlow是一个基于数据流编程dataflow programming的符号数学系统被广泛应用于各类机器学习machine learning算法的编程实现。到了2017年1月由Facebook人工智能研究院FAIR现在是MAIR基于Torch推出了PyTorch主要提供两个高级功能具有强大的GPU加速的张量计算如NumPy包含自动求导系统的深度神经网络最近Reddit上关于TensorFlow和PyTorch的讨论又引起了网友的关注。题主表示两个框架和他们对应的两种生态系统发展的都是如此迅速每个阵营都有自己的狂热支持者也许是时候分析一下他们到底有什么不同了。目前来说PyTorch仍然是「研究型」框架TensorFlow仍然是「工业型」框架他们之间的争论主要可以归结为三个因素模型可用性、模型部署、软件生态。模型可用性随着深度学习领域的逐年扩大模型也变得越来越大从头开始训练sota模型的成本太高微调已经成为新主流。所以公开的sota模型采用什么框架对于后续的社区生态来说很重要。在模型可用性方面PyTorch 和 TensorFlow 分歧很大PyTorch 和 TensorFlow 都有自己的官方模型存储库但从业者可能希望利用多个来源的模型。目前PyTorch明显在研究领域已经赢麻了大部分科研人员都在用并且大多数出版论文和开源模型都在使用 PyTorch。将过去几年八种顶级研究期刊的数据汇总以后可以看到PyTorch越来越普遍并且在短短几年内论文中的使用率从大约 7% 增长到近 80%。虽然2019 年发布的 TensorFlow 2 中解决了大部分TensorFlow残存的问题但 PyTorch 的发展势头足以让它维持自己在研究领域的地位至少从社区的角度来看是这样。在Papers with Code网站上的论文中大部分都使用的是PyTorch框架并且还在逐渐上升TensorFlow的市场份额在逐年下降。在过去的三个月里总共创建了 4,500 个存储库中其中60%使用 PyTorch 实现只有11%使用 TensorFlow。虽然研究主流是PyTorch但也有例外Google、DeepMind显然都用TensorFlow来进行研究OpenAI的一些旧的baseline也都是TensorFlow直到2020年才全换到PyTorch。模型部署如果不能投入生产使用那训练性能再好的模型都毫无意义。所以如何更有效率地完成模型部署至关重要尤其是随着微服务业务模型的日益普及高效的部署有可能决定以AI为核心竞争力的公司的成败问题。TensorFlow 自成立以来一直是面向部署的应用程序的首选框架TensorFlow Serving和TensorFlow Lite可让用户轻松地在云、服务器、移动设备和 IoT 设备上进行部署。各大公司在招聘深度学习工程师时大部分都要求掌握TensorFlow框架。从部署的角度来看PyTorch 过去非常乏善可陈但近年来它也一直致力于缩小这一差距例如接连推出的TorchServe和PyTorch Live提供了本地部署工具但仍然只针对移动端许多部署工具还处于起步阶段。所以部署便捷性上TensorFlow完胜。生态系统目前深度学习已不再局限于高度受控环境中的特定用例也就是说AI可能应用在任何环境移动端、手机端、网页端都有可能因此一个具有更大生态系统的框架就显得很重要它可以促进移动、本地和服务器应用程序的开发。此外专用机器学习硬件例如 Google 的Edge TPU的出现则意味着从业者需要使用可以与该硬件很好地集成的框架。PyTorch和TensorFlow的相关生态都做得很好。PyTorch的Hub除了HuggingFace还有官方的PyTorch Hub包括用于音频、视觉和 NLP 的模型。它还有一些生成模型包括用于生成名人面孔的高质量图像的GAN。SpeechBrain是 PyTorch 的官方开源语音工具包支持 ASR、说话人识别、验证和分类等。如果您不想构建任何模型而是想要一个具有自动章节、情感分析、实体检测等功能的即插即用工具也是十分方便PyTorch Lightning有时被称为 PyTorch 的 Keras可以简化 PyTorch 中模型工程和训练过程自 2019 年首次发布以来已经逐渐成熟。Lightning 以面向对象的方式处理建模过程定义了一些可重用和可跨项目使用的共享组件。还有分布式训练工具TorchElastic可管理工作进程并协调重启行为以便用户可以在计算节点集群上训练模型这些节点可以动态变化而不会影响训练还可防止因服务器维护事件或网络问题等问题而导致的宕机并且不会因此丢失训练进度。TorchX是一个用于快速构建和部署机器学习应用程序的 SDK。TorchX 包括 Training Session Manager API可将分布式 PyTorch 应用程序启动到受支持的调度程序上。它负责启动分布式作业同时原生支持由 TorchElastic本地管理的作业。在TensorFlow阵营TensorFlow Hub是一个经过训练的机器学习模型库可以进行微调用户只需几行代码就可以使用像 BERT 这样的模型Hub中包含适用于不同用例的 TensorFlow、TensorFlow Lite 和 TensorFlow.js 模型模型可用于图像、视频、音频和文本问题。TensorFlow Extended是 TensorFlow 用于模型部署的端到端平台用户可以加载、验证、分析和转换数据训练和评估模型使用 Serving 或 Lite 部署模型然后跟踪工件及其依赖项。TFX 可以与 Jupyter 或 Colab 一起使用并且可以使用 Apache Airflow / Beam或 Kubernetes 进行编排。TFX 与Google Cloud紧密集成可与 Vertex AI Pipelines 一起使用。MediaPipe是用于构建多模式、跨平台应用机器学习管道的框架可用于人脸检测、多手跟踪、对象检测等。该项目是开源的并绑定了多种语言包括 Python、C 和 JavaScript。TensorFlow.js是一个用于机器学习的 JavaScript 库允许您使用 Node.js 在浏览器和服务器端训练和部署模型。TensorFlow Cloud可让用户将本地环境连接到 Google Cloud。提供的 API 能够弥补从本地机器上的模型构建和调试到 GCP 上的分布式训练和超参数调整之间的差距而无需使用 Cloud Console。Google Colab是一个基于云的笔记本环境与 Jupyter 非常相似。将 Colab 连接到 Google Cloud 进行 GPU 或 TPU 训练很容易并且PyTorch 也可以与 Colab 一起使用。三项对此完这两个框架可以说是神仙打架了各有优劣。但评论区也有网友表示我一只脚踏入工业界但另一只脚还在学术界不过我在教课的时候还是选择PyTorch因为TF太不可靠了接口总是变尤其是从TF1迁移到TF2的时候。并且在公司也同样使用PyTorch因为灵活性更重要。如果看完上面的讨论你还不知道怎么选择适合自己的框架那英雄联盟中的一位英雄台词或许能对这场甜咸之争带来终极答案。要问我更喜欢什么工具未免太幼稚了但我的锤子是我最喜欢的。参考资料https://www.reddit.com/r/MachineLearning/comments/rga91a/d_are_you_using_PyTorch_or_TensorFlow_going_into/未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
