PyTorch一年增长194%,兼容性更强,超越TensorFlow指日可待

看样子,PyTorch超过TensorFlow指日可沉祥福。

这个结论来自这些数据:

从2019年1月到6月底,在arXiv.org上发表的论文中,提到的TensorFlow和PyTorch的数量几乎相同,PyTorch仅略微落后。

但最关键的是增长率:与2018年1月至6月相比,PyTorch增加了194%。相比之下,TensorFlow只增长了23%。

一方面,有足够的基数,另一方面,有足够的增长率,PyTorch有可能超过TensorFlow。

数据来自RISELab,这是一家隶属于加州大学伯克利分校的研究机构,其目标是开发下一代大数据计算系统。

宣布后,它立即引发了网民们的热烈讨论。

与前一次不同,这次不是“PyTorch Zhenxiang”的场景,主题变成了Tusnel Flow。

吐槽TensorFlow场景

评论。

排名第一的评论是:

n

TensorFlow一直很头疼,所以很高兴看到PyTorch如此之快。

n

n

头痛怎么样?也有很多网友给出了解释:

n

Tensorflow1.0兼容性差

n

名为“bunny113”的用户评论说:

n n

从GitHubrepo获得的Tensorflow 1.0代码不适用于其他版本。

n

所以,我现在只使用PyTorch。我喜欢它的动态,而不是Tensorflow的静态特性。

n

n

不断变化令人头疼

n n

让我头疼TF的一件事是不断变化。最初你必须从头开始构建模型,然后出现TF.estimator(TF.layers)API,现在TF.keras将成为TF 2.0的标准(并将TF.layers标记为遗留)。

n

n

一些网民有更深刻的体验:

n n

TensorFlow现在绝对是一场灾难。一个微小的版本增量将在我的代码中触发几十个弃用警告。

n

n

此外,还有其他各种问题,例如TensorFlow很难调试掌握门槛高等。

n

Tensorflow的优点

n

虽然有很多人吐出来,但这并不意味着TensorFlow没有优势,PyTorch是完美的。

n

需要注意的是。该数据源是arXiv.org提交的预打印论文,该小组几乎完全是研究员。

n

一些网友问道:

n

研究人员也可能关心性能基准。有人关心他们在硬件兼容性和优化,云支持(Google Colab)方面的表现吗?

n

当然,名为“muntoo”的用户在评论区域中说:

n n

我使用Tensorflow的主要原因是Google为其他平台(例如Android)提供了集成。

n

n

实际上,这是Tensorflow的一个优势,也是PyTorch需要改进的一个方面。

n

就在最近,TensorFlow还推出了一个使用U-Net风格架构(和预先培训的MobileNet)的新图像分割教程

n

然而,Fast.ai创始人杰里米霍华德在Twitter上表示,由于深度学习是一个非常新的业务领域,因此该行业与学术界非常接近。 PyTorch在研究人员中的使用已经显着增长,这表明越来越多的公司将在今年采用PyTorch。

n

n n n n n。