介紹
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)的獨(dú)特之處在于它帶來的準(zhǔn)確性和效率。經(jīng)過大量數(shù)據(jù)訓(xùn)練后，深度學(xué)習(xí)系統(tǒng)可以匹配甚至超過人腦的認(rèn)知能力。PyTorch和TensorFlow這兩個(gè)頂級(jí)深度學(xué)習(xí)框架如何比較？
本文概述了五個(gè)因素來幫助您比較這兩個(gè)主要的深度學(xué)習(xí)框架。
PyTorch和TensorFlow如何比較
加速時(shí)間
正如Sorrow Beaver 指出的那樣，Tensorflow基本上是一種嵌入在Python中的編程語言 。Tensorflow的代碼通過Python被“編譯”成圖形。然后由TensorFlow執(zhí)行引擎運(yùn)行。另一方面，Pytorch本質(zhì)上是NumPy的GPU支持的嵌入式替代品，NumPy具有更高級(jí)別的功能來構(gòu)建和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。
使用Pytorch，代碼執(zhí)行速度非常快，效率很高，而且您不需要學(xué)習(xí)任何新概念。另一方面，Tensorflow需要諸如占位符，變量作用域以及會(huì)話之類的概念。
圖的構(gòu)建與調(diào)試
Pytorch具有創(chuàng)建圖形的動(dòng)態(tài)過程。可以通過解釋對(duì)應(yīng)于圖形特定方面的一行代碼來構(gòu)建PyTorch上的圖形。
另一方面，Tensorflow具有靜態(tài)的圖創(chuàng)建過程，該過程涉及圖經(jīng)過編譯并在執(zhí)行引擎上運(yùn)行。
與TensorFlow不同，Pytorch代碼將使用標(biāo)準(zhǔn)的Python調(diào)試器，您需要在其中學(xué)習(xí)TF調(diào)試器并從會(huì)話中請(qǐng)求變量進(jìn)行檢查。
覆蓋范圍
Tensorflow支持以下功能：
- 快速傅立葉變換
- 檢查張量的NaN和無窮大
- 沿尺寸翻轉(zhuǎn)張量
這些是Pytorch所沒有的功能，但是隨著它的普及，這種差距必將彌合。
序列化
在序列化中比較兩個(gè)框架時(shí)，TensorFlow的圖可以保存為協(xié)議緩沖區(qū)，其中包括操作和參數(shù)。然后可以使用其他編程語言（例如JAVA和C ++）加載TensorFlow圖。這一點(diǎn)很重要，尤其是對(duì)于不能使用Python的部署堆棧。
另一方面，Pytorch具有一個(gè)簡(jiǎn)單的API，可以使整個(gè)類腌制或保存模型的所有權(quán)重。
總而言之，在這兩個(gè)框架中簡(jiǎn)化了保存和加載模型。
部署方式
根據(jù)Sebagam的說法，TensorFlow和Pytorch都易于包裝，以便在小型服務(wù)器端進(jìn)行部署。對(duì)于移動(dòng)和嵌入式部署，與Pytorch不同，TensorFlow可以高效地工作。因此，與Pytorch相比，在Android和IOS中的TensorFlow部署中所需的工作更少。
與TensorFlow部署期間不同，您將需要將服務(wù)降低到熱插拔Pytorch。
包起來
使用這五個(gè)因素，我們通常可以得出結(jié)論，PyTorch與TensorFlow并沒有太大區(qū)別。它們都基于Python編程語言。Python API有很好的文檔記錄；因此，使用這些框架中的任何一個(gè)，您都會(huì)發(fā)現(xiàn)輕松。
但是，Pytorch具有良好的加速時(shí)間，因此比TensorFlow快得多。在這兩個(gè)框架之間進(jìn)行選擇將取決于您為每個(gè)框架找到學(xué)習(xí)過程的難易程度。您的選擇還取決于組織的要求。
