Post patrocinado
Quizás se pregunte, dado que TensorFlow sigue siendo un marco destacado en la industria del aprendizaje profundo, por qué nos molestamos en escribir un libro de PyTorch de la Aprendizaje automático de Python serie, Aprendizaje automático con PyTorch y Scikit-Learn. De hecho, PyTorch se ha convertido en el marco de aprendizaje profundo más utilizado en la comunidad académica y de investigación. Para examinar esto más a fondo, permítanme proporcionar una comparación actualizada y más completa entre PyTorch y TensorFlow.
Gráficos computacionales dinámicos
La compatibilidad con gráficos computacionales dinámicos es una ventaja de PyTorch sobre TensorFlow. Los gráficos computacionales en PyTorch se construyen bajo demanda en comparación con sus contrapartes estáticas de TensorFlow. Esto hace que PyTorch sea más fácil de depurar: puede ejecutar el código línea por línea mientras tiene acceso completo a todas las variables. TensorFlow 2.0 aplica una ejecución entusiasta que también evalúa las operaciones de inmediato, similar a PyTorch; sin embargo, tiene el costo de reducir la eficiencia y la velocidad.
Disponibilidad de modelos de última generación
Los investigadores, las empresas emergentes con recursos computacionales restringidos y los profesionales individuales a menudo utilizan modelos de última generación (SOTA) preentrenados para transferir el aprendizaje y el ajuste. A principios de 2022, la mayoría de los modelos SOTA están en PyTorch, por ejemplo:
Claramente, PyTorch es el ganador desde la perspectiva de la disponibilidad del modelo.
Despliegue de producción
Si bien PyTorch domina en el dominio de la investigación, TensorFlow es más maduro en términos de implementación de producción debido a su sólido marco de implementación. Puede implementar modelos sin problemas en servidores usando TensorFlow Serving y usar TensorFlow Extended (TFX) para crear y administrar canalizaciones de un extremo a otro. Además, TensorFlow Lite (TFLite) optimiza los modelos para servir en dispositivos móviles y de IoT.
Implementación de modelos de PyTorch utilizados para depender de API de terceros. PyTorch ha cerrado la brecha en el despliegue de producción en los últimos años. Las herramientas de implementación nativas TorchServe y PyTorch Live se lanzaron alrededor de 2020. TorchServe es una excelente herramienta para implementar modelos PyTorch entrenados sin tener que escribir código personalizado. Proporciona una interfaz de línea de comandos fácil de usar y admite servicios ligeros a escala en muchos entornos, incluidos Amazon SageMaker, EKS y Kubernetes. PyTorch Live apunta a dispositivos móviles, similar a TFLite.
Palabras finales: ¿Cuál debo elegir?
No hay una respuesta definitiva a esto. Sin embargo, para los principiantes de ML o DL, PyTorch tiene una curva de aprendizaje más sencilla, ya que es más Pythonic y fácil de depurar y más sencillo cuando se trata de manejar datos. Por otro lado, TensorFlow podría indicar una curva de aprendizaje más pronunciada debido a las implementaciones de bajo nivel de la estructura de la red neuronal. Aunque TensorFlow tiene la API de Keras de alto nivel, lo que facilita comenzar a aprender los conceptos básicos, PyTorch tiene una buena compensación entre ser fácil de usar y ser más fácil de personalizar que Keras.
Dada su reputación en la academia y la industria, si está más interesado en la investigación, PyTorch podría ser su primera opción a menos que esté trabajando en el aprendizaje por refuerzo. En este caso, TensorFlow tiene un módulo fenomenal (https://www.tensorflow.org/agents/overview) diseñado para este tipo de proyectos.
Aprendizaje automático con PyTorch y Scikit-Learn está disponible en Amazon.com y paquete sitio web. Obtenga su copia hoy y explore marcos, modelos y técnicas para que las máquinas aprenden de datos
- Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
- CriptoHawk. Radar de altcoins. Prueba gratis.
- Fuente: https://www.kdnuggets.com/2022/02/packt-pytorch-tensorflow-comparing-popular-machine-learning-frameworks.html?utm_source=rss&utm_medium=rss&utm_campaign=pytorch-or-tensorflow-comparing-popular- marcos de aprendizaje automático
