Google a récemment inclus dans tensorflow's nightly builds son Eager mode, une API impérative pour accéder aux capacités de calcul tensorflow.
Comment tensorflow désireux se compare-t-il à PyTorch?
Certains aspects qui pourraient affecter la comparaison pourraient être:
- Avantages et inconvénients de désireux en raison de son héritage graphique statique (par exemple, les noms dans les nœuds).
- Limitations intrinsèques de l'un d'eux que l'autre n'a pas.
- Domaines dans lesquels l'un d'entre eux doit être amélioré (par exemple, exhaustivité des fonctionnalités, optimisations informatiques).
- Différences d'écosystème (par exemple, panneau tensoriel?).
Note 1: Yaroslav Bulatov a écrit un avis sur les fonctionnalités intéressantes d'Everger .
Note2: Dans une question précédente , j'ai demandé une comparaison entre PyTorch et Tensorflow Fold. À ce moment-là, il me semblait que Fold pouvait faire face à PyTorch grâce au soutien de Google. J'avais très très tort: au final, Google lui-même a abandonné Fold au profit d'Eager. Je comprends que cela était dû aux limitations intrinsèques de l'API tensorflow normale qui ont conduit Fold à ne pas être très convivial, ce qui a limité son adoption.