شبكة لى فنغ منظمة العفو الدولية تكنولوجي ريفيو: تعلم آلة للباحثين والممارسين الصناعة وإتقان إطار آلة التعلم هو مهارة أساسية. مع التطور السريع لتكنولوجيا التعلم العميق، وأنفقت تعلم الآلة سوق الإطار تدريجيا مرحلة مبكرة من النمو الهمجي. انحسار المد والجزر، لا يزال الجهاز النشطة إطار التعلم أساسا PyTorch وTensorFlow. هذا المقال من الأوساط الأكاديمية والصناعية على حد سواء جرد عمق واتجاه التنمية من 2019 إطار التعلم الآلي.

منذ عام 2012، وعمق التعلم مرة أخرى تصبح التكنولوجيا طال انتظارها منذ ذلك الحين، جميع أنواع آلة التعلم إطار التنافس لتصبح محبوب جديد من الباحثين والممارسين، ويمكن وصفها بأنها "كنت Changba لي اللعب." في الأكاديمية وTheano كافيه تستخدم على نطاق واسع، وPyTorch صناعة احترامها وTensorFlow في وقت مبكر، ومجموعة متنوعة من إطار التعلم بديل يجعل من الصعب تحديد "الذي هو في الواقع معظم إطار التيار" من.

إذا حكمتم فقط لتصفح رديت، قد تعتقد أن كل من هو في صالح استخدام PyTorch، وإذا كنت إصدار حكم بناء على محتوى التغريدات فرانسوا Chollet، وسوف تجد TensorFlow أو Keras قد يكون إطار التيار في حين PyTorch الزخم وتراجع.

وإذ يشير إلى إطار التعلم آلة الحرب في 2019 المتنافسين المتبقية: PyTorch وTensorFlow. ويشير التحليل بلدي أن الباحثين التخلي TensorFlow وتحولت إلى استخدام PyTorch. في نفس الوقت، ولكن في القطاع الصناعي، TensorFlow حاليا المنصة المفضلة، ولكن يجوز هذا الوضع لن يستمر.

A، PyTorch مهيمنة بشكل متزايد في مجال البحث

دعونا نتحدث مع البيانات! يظهر الشكل التالي الدراسة ستكون أعلى في السنوات الأخيرة، واستخدام فقط الأوراق البحثية إطار PyTorch ونسبة عدد من العدد الإجمالي للأوراق المستخدمة أو PyTorch من TensorFlow. كما هو مبين، ويميل كل منحنى (يمثلون مختلف المؤتمرات) (أي PyTorch نسبة أعلى وأعلى)، ولكن أيضا في كل مؤتمر كبير في 2019، وتستخدم معظم الصحف لتحقيق PyTorch .

• اجتماع أسطورة

• تفاصيل عملية جمع البيانات

النسخة رابط تفاعلي هذه المخططات هي كما يلي: الشبكي: //chillee.github.io/pytorch-vs-tensorflow/

اذا كنت بحاجة الى مزيد من الأدلة لتوضيح مدى سرعة PyTorch الحصول على الاهتمام في الأوساط البحثية في السريع، انظر الرسم البياني على PyTorch الأصلي التالية واستخدام TensorFlow.

في عام 2018، شكلت PyTorch لفي إطار التعلم العمق هو أيضا صغير جدا. والآن، PyTorch تصبح الأغلبية الساحقة نسبة. ووفقا للاحصاءات، 69 من أوراق CVPR، وأكثر من 75 من NAACL ACL والورق، فضلا عن أكثر من 50 من ICLR وICML أوراق اختيار استخدام PyTorch. PyTorch في المؤتمر البصرية واللغوية على (2 على التوالي: 1 و 3: 1 تتجاوز نسبة TensorFlow) من استخداما والأكثر وضوحا، ولكن PyTorch أكثر من آلة التعلم ICLR الدورة وICML غير TensorFlow أهلا وسهلا.

على الرغم من أن بعض الناس ما زالوا يعتقدون PyTorch إطارا في مهدها، في محاولة لفتح سوق في العالم Tensorflow يهيمن عليها، ولكن البيانات الحقيقية، أشير إلى أن الأمر ليس كذلك. بالإضافة إلى ICML، أوراق المؤتمر الأكاديمي الأخرى المستخدمة في TensorFlow معدل النمو حتى مواكبة النمو العام في عدد من الصحف. على NAACL، ICLR وACL، هذا العام عدد من الأوراق باستخدام TensorFlow في الواقع أقل من العام الماضي.

Pytorch لا داعي للقلق حول المستقبل، ولكن TensorFlow.

1، لماذا يفضل الباحثون PyTorch؟

• البساطة. PyTorch مع نمباي مشابهة جدا، مع نمط الثعبان قوي، وأنه من السهل أن تتكامل مع مكونات أخرى بيثون من النظام البيئي. على سبيل المثال، يمكنك ببساطة إضافة "PDB" نموذج PyTorch نقطة توقف في أي مكان، ثم يمكن تصحيح. في إطار TensorFlow، تحتاج إلى الرغبة في تصحيح جلسة على التوالي، مما يجعل من الصعب التصحيح.

• من السهل استخدام واجهة برمجة التطبيقات (API). مقارنة TensorFlow وAPI، يفضل معظم الباحثين المقدمة API PyTorch. هذا هو إلى حد ما نظرا لأفضل تصميم PyTorch، ويرجع ذلك جزئيا TensorFlow عدة مرات حسب الضرورة لAPI التبديل (على سبيل المثال، "طبقات" - > "سليم" - > "المقدرون" - > "Tf.keras") مما يحد من سهولة استخدامها.

• الأداء المتفوق. وعلى الرغم من PyTorch عرض ديناميكية فرصة يقم بالنسبة لنا لتحسين قليلة، ولكن هناك الكثير من التقارير المثيرة للاهتمام والتعليمات بأسرع سرعة TensorFlow PyTorch (https://www.reddit.com/r/MachineLearning/comments/cvcbu6/d_why_is_pytorch_as_fast_as_and_sometimes_faster /) أو أسرع (https://arxiv.org/abs/1608.07249). وليس من الواضح ما إذا كانت هذه العبارة صحيحة، ولكن على الأقل، لم TensorFlow لن تحصل على ميزة مطلقة في هذا الصدد.

2، وكيفية آفاق TensorFlow في مجال البحوث؟

حتى TensorFlow PyTorch أفقي تقريبا من حيث الأداء الوظيفي، ولكن PyTorch بالفعل معظم المستخدمين الأوساط البحثية. وهذا يعني أننا أكثر عرضة للعثور على نسخة PyTorch من الخوارزمية، وسيتم مؤلف أكثر حماسا للافراج عن نسخة PyTorch من قانون (حتى أن الناس سوف تستخدم ذلك)، وشريك حياتك أيضا من المرجح أن يفضل PyTorch. لذلك، إذا كان رمز العودة ميناء TensorFlow منصة 2.0، وهذا سيكون عملية طويلة جدا (إذا فعلت).

TensorFlow ديك عدد محدد من المستخدمين في جوجل / DeepMind دائما الداخل، ولكن أنا لا أعرف اذا كان غوغل في نهاية المطاف فتحه. حتى الآن، العديد من الباحثين جوجل تريد لتجنيد PyTorch أكثر شعبية في بدرجات متفاوتة. وسمعت أيضا بعض الشكاوى، ويأمل كثير من الباحثين جوجل الداخلي إلى استخدام إطار آخر غير TensorFlow.

وبالإضافة إلى ذلك، قد تبدأ PyTorch هيمنة لقطع الصلة بين الباحثين جوجل والمجتمعات البحثية الأخرى. وسوف يقوم الباحثون جوجل أن يكون ليس فقط أكثر صعوبة لبناء عملك الخاص على أساس من البحث من الآخرين، والباحثين الخارجيين أيضا أقل عرضة للعمل استنادا إلى رمز التي أطلقتها جوجل.

سواء TensorFlow 2.0 يمكن استعادة بعض من بقايا المستخدمين الباحثين TensorFlow أن ينظر إليها. وعلى الرغم من وضع ديناميكية الرسم البياني لها (TensorFlow 2.0 ديناميكية وضع الرسم) يجب أن تكون جذابة جدا، ولكن API Keras ليس الأمر كذلك.

ثانيا، للإنتاج الصناعي من PyTorch وTensorFlow

وعلى الرغم من PyTorch الآن تهيمن على مجال البحث، ولكن سرعان ما تحليلها ووضع صناعة تجد في TensorFlow الصناعة لا يزال الإطار السائد. على سبيل المثال، 2018-2019 البيانات (راجع الرابط التالي: الشبكي: //towardsdatascience.com/deep-learning-framework-power-scores-2018-23607ddf297a) يدل على ان في مواقع العمل العامة، التي تشمل عروض TensorFlow مهمة جديدة 1541، التي تنطوي على PyTorch من فرص العمل الجديدة هو 1437، وهناك 3230 مواد جديدة على TensorFlow على وسائل الإعلام الرائدة في مجال التكنولوجيا، "المتوسطة"، ومواد جديدة حول PyTorch فقط 1200، على جيثب، مشروع TensorFlow مكتوبة فاز 13700 النجوم، ولكن مع PyTorch مشروع مكتوبة لم تتلق سوى 7200 النجوم.

حسنا، منذ الباحثين PyTorch هي شعبية جدا والسبب في ذلك لم يتحقق بعد نفس النجاح في هذه الصناعة؟ أول الجواب الواضح هو: الجمود. TensorFlow من PyTorch لدت قبل بضع سنوات، وهذه الصناعة لاعتماد تكنولوجيات جديدة أكثر ببطء من بعض الباحثين. وهناك سبب آخر هو: TensorFlow من PyTorch أكثر مناسبة لبيئات الإنتاج. ولكن ماذا يعني ذلك؟

للإجابة على هذا السؤال، ونحن بحاجة إلى معرفة احتياجات الباحثين والصناعة أي مختلفة.

الباحثون المعنية مدى السرعة التي تكرار معدل في الدراسة، التي عادة ما تكون على مجموعات البيانات الصغيرة نسبيا (التي يمكن أن تعمل على جمع البيانات آلة واحدة)، وذلك باستخدام أقل من ثمانية من GPU. أكبر عامل يحد غالبا ما لا يكون لأسباب تتعلق بالأداء، لكنها سرعان ما أدرك قدرة أفكار جديدة. بدلا من ذلك، تحتاج هذه الصناعة إلى التفكير والأداء هو أولوية أعلى. وعلى الرغم من زيادة سرعة وقت التشغيل بنسبة 10 بالنسبة للباحثين في الأساس لا معنى له، ولكن يمكن حفظها مباشرة الشركة الملايين من الدولارات في التكاليف.

وتنتشر فرق آخر. وقام الباحثون بإجراء تجارب على جهازه أو مجموعة من خوادم مخصصة لتشغيل العمل البحثي. من ناحية أخرى، فإن القطاع الصناعي في نشر، وهناك سلسلة من القيود / الشروط:

• لا يمكنك استخدام بايثون. للخوادم تعمل بعض الشركات، وحساب من وقت تشغيل النفقات العامة بيثون مرتفع جدا.

• التنقل. لا يمكنك تضمين بيثون مترجم في نهاية المحمول من ملف ثنائي.

• الخدمة. الحاجة لتلبية الاحتياجات المختلفة، مثل تحديث حالة توقف في النموذج، بسهولة التبديل بين النموذج، عندما المنطق دفعة، ومثل.

TensorFlow هو حول هذه الاحتياجات بنيت لهذا الغرض، ويوفر حلا لجميع هذه المشاكل: حساب تخطيط الرسم البياني ومحرك التنفيذ في حد ذاته لا يتطلب بيثون، والتعامل مع الجانب المحمول ومن جانب الخادم على التوالي TensorFlow ايت وTensorFlow خدمة.

سابقا، Pytorch غير قادرة على تلبية هذه الاحتياجات، فإن معظم الشركات حاليا في بيئات الإنتاج يختارون لاستخدام TensorFlow.

الثالث، والهندسة المعمارية "التقارب"

قرب نهاية العام في عام 2018، عندما وقع اثنان "الانفجار" حدث في هذه الصناعة لكسر هذه الحالة:

1. PyTorch إدخال الوقت الحقيقي (JIT، في الوقت المناسب) مترجم و"TorchScript"، وبالتالي تقديم ملامح خريطة القائم.

أعلن 2. TensorFlow أنهم سوف الافتراضية لصالح وضع الرسم البياني الديناميكي TensorFlow الإصدار 2.0.

ومن الواضح أن القصد من هذه المبادرات لمعالجة نقاط الضعف الخاصة بها. لذا، فإن هذه الخصائص في النهاية يعني أي شيء؟ ما يمكن أن يحقق لتأطير ذلك؟

1، PyTorch TorchScript

PyTorch JIT يمكن تحويل ما يسمى برنامج PyTorch توصيف وسيطة (IR) "TorchScript" من. Torchscript هو PyTorch "الخريطة" توصيف. يمكنك استخدام نموذج PyTorch منتظم سيرا على الأقدام أو وضع تتبع سيتم تحويلها إلى TorchScript. وظيفة تلقي المدخلات تتبع، يتم تنفيذ عملية تسجيل مع المدخلات والمتوسطة وتكوين يتميز. بينما عملية تتبع واضح ومباشر، ولكن كما أن لديها بعض العيوب. على سبيل المثال، فإنه لا يمكن التقاط لم يتم تنفيذ تدفق التحكم (على سبيل المثال، إذا كان يتم تنفيذه في كتلة حالة حقيقية، فإنه لا يمكن التقاط كتلة في حالة كاذبة.

وضع السيناريو يقبل وظيفة / فئة كمدخل، ورمز بيثون تفسيرها تتميز TorchScript الناتج المتوسط مباشرة. هذا يجعل من الممكن لدعم تعليمات برمجية عشوائية، ولكنها تحتاج فعلا إلى إعادة تأويل بيثون.

بمجرد توصيف حالة نموذج PyTorch في منتصفه، وحصلنا على كل فوائد رسم أنماط. يمكننا نشر دون الاعتماد على بيثون في نموذج C ++ PyTorch البيئة، أو تحسين ذلك.

2، Tensorflow ديناميكية FIG.

في مستوى API، TensorFlow نمط ديناميكية الرسم إلى حد كبير نفس الأصلي عن طريق وضع ديناميكية PyTorch Chainer FIG احترامها. هذا يجلب مزايا PyTorch معظم وضع ديناميكية الرسم البياني (سهولة الاستخدام، وتصحيح الجنس، الخ) كما TensorFlow.

ومع ذلك، فإنه يوفر أيضا نفس عيوب جلبت TensorFlow: نموذج ديناميكي TensorFlow FIG لا يمكن تصديرها إلى بيئة غير الثعبان، لا يمكن أن يكون الأمثل، لا تعمل على الجهاز المحمول، وما شابه ذلك.

هذا يجعل TensorFlow المتطابقة مع PyTorch، بل هو أساسا نفس الحل منه - يمكنك تتبع التعليمات البرمجية (tf.function) أو تفسيرها كود بايثون (توقيعه، وظيفة الطباعة () وغيرها من شفرة التحويل بيثون لحساب النقي خريطة TensorFlow كود).

ولدت TensorFlow من الرسم البياني حساب وتتبع توقيعه (تتبع): أسطورة

ولذلك، TensorFlow وضع ديناميكية الرسم ولا يمكن حقا "أفضل ما في العالمين". على الرغم من أنك يمكن استخدام "tf.function" ملاحظات لتحويل وجهة نظر ديناميكية من وجهة نظر ثابتة من التعليمات البرمجية، ولكنها لن تكون عملية الانتقال السلس (كان PyTorch من TorchScript مشكلة مماثلة). فهو يقتصر على المسار في كل شيء، وتفسيرها كود بايثون فعلا بحاجة إلى إعادة كتابة الكثير من مترجم بايثون. بالطبع، هذا النطاق يمكن تبسيطها إلى حد كبير عن طريق الحد من دراسة متعمقة بيثون فرعية المستخدمة.

عند تمكين وضع الرسم البياني الديناميكي افتراضيا، TensorFlow يسمح للمستخدم لاتخاذ خيار:

• (1) من أجل تخفيف تنفيذ FIG باستخدام ديناميكية، يحتاج إلى إعادة صياغة للنشر وظيفة.

• (2) لا تستخدم تنفيذ ديناميكية FIG.

وعلى الرغم من PyTorch التي تواجه أيضا نفس المشكلة، ولكن بالمقارنة مع TensorFlow نهج "افتراضي خريطة ديناميكية"، سمة من TorchScript PyTorch شملت "الاختيار" يظهر للسماح للمستخدمين أكثر استعدادا لقبول.

الوضع أربعة، إطار آلة التعلم

لهذه الأسباب خلق إطار التعلم الآلي الوضع اليوم. PyTorch لديه بحوث السوق وحاول تمديد هذا النجاح لهذه الصناعة. وTensorFlow يحاول، دون التضحية الكثير من القدرة على الإنتاج، لمنع حصتها السوقية في الأوساط البحثية في الخسارة. PyTorch تريد أن يكون لها تأثير كبير بالتأكيد لا يزال أمامها طريق طويل لنقطعه في هذه الصناعة، بعد متأصلة جميع TensorFlow في هذه الصناعة، وسرعة الابتكار الصناعة بطيء نسبيا. ومع ذلك، فإن الانتقال من TensorFlow 1.0 داو 2.0 تكون عملية صعبة، كما أنه يسمح الشركات بشكل طبيعي سيقيم ما إذا كان سيعتمد PyTorch.

في المستقبل، أي نوع من الإطار يمكن أن "الضحكة الأخيرة" يعتمد على الأسئلة التالية:

• فإنها تميل إلى أن تكون الباحثين الصناعة وتأثير كبير؟ اعتبارا من هذه اللحظة أن يكون خريج الدكتوراه، وأنها سوف تستمر في استخدام PyTorch عادة مناصب جديدة. هذا الاتجاه هو ما يكفي لجعل الشركات تختار لتوظيف واستخدام PyTorch ذلك؟ الخريجين سيتم تكنولوجيا Pytorch أساس بدء تشغيله؟

• TensorFlow نموذج الرسم ديناميكية يمكن اللحاق على PyTorch سهولة الاستخدام؟ يمكنني تتبع عن كثب المشكلة من مجتمع الإنترنت حيث يشعر الناس الوضع وهو، TensorFlow عرض ديناميكية خطيرة يعاني "أداء / الذاكرة" المشكلة، و "توقيعه" نفسها لديها العديد من المشاكل. جوجل سوف تدفع الكثير من الجهد الهندسي، ولكن TensorFlow تزال تعاني من العديد من "الإرث التاريخي" لل.

• PyTorch مدى السرعة التي يمكن اعتمادها في بيئة الإنتاج على نطاق واسع؟ PyTorch هناك العديد من القضايا الأساسية التي يجب حلها، مثل لا توجد وسيلة جيدة لتحديد، لا تستطيع ان تلبي احتياجات التنقل والخدمات. بالنسبة لمعظم الشركات، حتى يتم حل هذه القضايا بشكل صحيح، فإنها لن تنظر حتى باستخدام PyTorch. سواء PyTorch تستطيع ان تقنع بما يكفي لجعل الإطار تعلم الآلة تغيير الشركة لاستخدامها؟ (ملاحظة: في الآونة الأخيرة، أعلنت PyTorch الدعم كميا وظيفة التنقل، هاتين الوظيفتين لا تزال في مرحلة تجريبية، ولكن نيابة عن PyTorch أحرزت تقدما كبيرا في هذا الصدد.)

• عزل جوجل في الصناعة سوف TensorFlow بالاحباط ذلك؟ أحد الأسباب الرئيسية هو مساعدة Google دفع TensorFlow تنمو بسرعة الخدمات السحابية. وذلك لأن جوجل تسعى لاحتلال السوق تعلم آلة الرأسي بأكمله، الأمر الذي حفز الشركات المتنافسة الأخرى (مايكروسوفت وأمازون، نفيديا) قد تحولت إلى آلة الوحيدة تعلم بدائل إطار --PyTorch.

خامسا، الحرب إطار آلة التعلم لكيفية سيقام في النصف الثاني؟

ليس لدينا حتى الآن ندرك تماما إطار التعلم آلة لدراسة تعلم الآلة كان لها تأثير كبير. انهم لا تجعل فقط البحث تعلم الآلة يمكن المضي قدما، سوف ندرس بعض الأفكار كانت محدودة، وهذه الأفكار العملية، بحيث يمكن للباحثين بسهولة استكشاف هذه الأفكار. في الواقع، كم من أفكار الرواية ببساطة لأنهم لا يستطيعون التعبير عن ذلك مع نوع من الإطار بطريقة بسيطة وحطمت؟ الآن على ما يبدو، دراسة PyTorch قد تمكنت من تحقيق "الحد الأدنى المحلي"، ولكن ما زلنا بحاجة الى ان ننظر في إطار آخر يوفر ما هي الميزات، ما هي الأبحاث الفرص لا تزال موجودة.

1، أعلى تفاضلية

وPyTorch الأساسية وTensorflow هو إطار التمايز التلقائي. وبعبارة أخرى، فإن هذه الأطر بحيث يمكننا تكون على يقين من وظيفة المشتقة. ومع ذلك، في حين أن هناك العديد من الطرق لتحقيق التمايز التلقائي، لكنها اعتمدت إطار آلة التعلم الحديثة "واسطة العكسي التمايز التلقائي" (كما يشار إليها باسم "العودة انتشار") الخوارزمية. لقد أثبتت الوقائع أن هذا الأسلوب لاشتقاق الشبكة العصبية غير فعالة للغاية.

ومع ذلك، في حساب العليا تشغيل (هسه / هسه المنتج ناقلات)، فإن الوضع يختلف. تريد حساب كفاءة هذه القيم تحتاج إلى استخدام "واسطة إلى الأمام والتفريق الآلي". بدون هذه الميزة، وسرعة حساب هس المنتج الموجه من عدة أوامر من حجم أبطأ.

التالي سوف نقدم "جاكس". وقد وضعت جاكس من قبل الموظفين الأصلي "Autograd" للتنمية، كما أنه قد "وقف انتشار" التمايز التلقائي "لانتشار قبل" و. وهذا يسمح لنا لحساب مشتق النظام أعلى بالمقارنة مع طريقة PyTorch / TensorFlow يمكن أن توفر عدة أوامر من حجم أسرع.

ومع ذلك، جاكس لا مجرد توفير طريقة فقط لحساب ارتفاع المشتقات النظام. المطورين جاكس على أنها إطار تتكون من تحول وظيفة التعسفي، بما في ذلك "vmap" (للدفعة الآلي) أو "PMAP" (من أجل الحوسبة المتوازية الآلي).

وAutograd الأصلي ديه مشجعيه المخلصين (على الرغم من دون دعم من GPU، لا تزال هناك نشرت في 11 استخدامات الورق ICML ذلك)، قد جاكس يكون قريبا من أوساط المستخدمين المخلصين مشابهة واستخدامها من اجل حل أي نوع ن أجل مشتق.

2 مدونة جيل

عند تشغيل نموذج PyTorch / TensorFlow، أكثر من العمل لم يتم ذلك حقا في الإطار نفسه، ولكن نواة طرف ثالث القيام به. يتم توفير هذه النوى عادة من قبل بائع الأجهزة والإطار رفيعة المستوى التي يمكن استخدامها من قبل مكتبة المشغل يتألف، على سبيل المثال، MKLDNN (لCPU) أو cuDNN (لNVIDIA GPU). انفجر إطار الحوسبة المتقدمة إلى قطع، فإنه يمكن استدعاء فوق قاعدة الحوسبة المذكورة. بناء على حجم العمل الآلاف من الأفراد بحاجة إلى هذه المكتبات، والأمثل لبنية والتطبيقات لتحقيق الأداء الأمثل.

في الآونة الأخيرة، ومع ذلك، الباحثين عن "الأجهزة غير قياسي" اهتمام "متفرق / تكميم موتر" و "المشغلين الجدد" يتعرض مشغلي عيب تعتمد على هذه المكتبات: أنها ليست مرنة.

إذا كنت ترغب في استخدام عامل التشغيل الجديد مثل شبكة كبسولات في الدراسة، كيف يمكنك أن تفعل؟ إذا كنت ترغب في تشغيل النموذج الخاص بك على آلة التعلم الإطار لا يدعم حاليا مسرع الأجهزة الجديدة، وكيف ينبغي أن تفعل؟ الحلول موجودة في كثير من الأحيان لا يزال غير مثالي. كما ورقة "آلة أنظمة التعلم عالقون في شبق" (عنوان الرسالة: الشبكي:؟ //Dl.acm.org/citation.cfm معرف = 3321441) المذكورة، لتحقيق الشبكة الحالية من الكبسولات على GPU من أفضل تحقيق أمرين من حجم أبطأ.

كل بنية الأجهزة، الموترة أو مشغل فئة جديدة، وزادت بشكل كبير من صعوبة المشكلة. وهناك بالفعل عدد من الأدوات (مثل هاليد، TVM، PlaidML، TensorComprehensions، XLA، تاكو، وما إلى ذلك) تجهيز يستطيع التعامل مع مختلف القضايا، ولكن في الحقيقة بقايا النهج الصحيح لاستكشافها.

إذا لم تتمكن من حل هذه المشكلة أبعد من ذلك، سيكون لدينا بعض المخاطر لدينا أدوات البحث والبحوث تعلم الآلة لدينا "تركيب أكثر."

ستة والإطار المقبل تعلم الآلة

هذا هو لTensorFlow المستقبل وPyTorch لحظة مثيرة: التقارب التدريجي من تصميمها، فإنها من غير المرجح أن يكسب نصرا حاسما بحكم تصميمها. وفي الوقت نفسه، فإن الإطار تعلم اثنين من لديه آلة المناطق المهيمنة الخاصة --PyTorch السائدة في الأوساط الأكاديمية، وTensorFlow هو أكثر شعبية في هذه الصناعة.

بالنسبة لي شخصيا، بين PyTorch وTensorFlow، وأعتقد أن PyTorch أكثر فرصة للفوز. تعلم الآلة لا يزال قائم على الأبحاث حسب الحقل. الصناعة لا يمكن تجاهل نتائج البحوث العلمية، طالما تسيطر PyTorch مجال البحث، ستضطر الشركة إلى التحول إلى PyTorch.

ومع ذلك، ليس فقط آلة التعلم تكرار الإطار بسرعة كبيرة، وآلة التعلم نفسها في خضم تغيير كبير. ليس فقط التغييرات إطار التعلم الآلي، قد يكون هناك نماذج الفرق الكبيرة جدا تستخدم بعد خمس سنوات، والأجهزة، والنموذج الذي نعرفه. ربما، ونموذج الحوسبة المهيمن آخر، سوف تعلم آلة إطار الخلاف بين PyTorch وTensorFlow تختفي.

التعرض لهذه الصراعات المعقدة ذات الاهتمام، والكثير من الأموال المستثمرة في مجال تعلم الآلة، خطوة إلى الوراء، وربما مستقبل أكثر إشراقا. معظم العمل في برامج تعلم آلة ليست لكسب المال، وليس لمساعدة الخطة الاستراتيجية للشركة، ولكن يريد لتعزيز دراسة التعلم الآلي والذكاء الاصطناعي الرعاية الديمقراطية، أو ربما أرادوا فقط لخلق شيء بارد. معظمنا ليس لكسب المال أو مساعدة استراتيجية شركتنا والبرمجيات التجارية في آلة التعلم، والتعلم الآلي هو السبب لدينا من العمل لأنه ببساطة - ونحن نشعر بالقلق حول تطوير آلة التعلم البحوث، والذكاء الاصطناعي لكل أسرة، أو فقط لأن لدينا لخلق شيء بارد. سواء كنت تفضل TensorFlow أو PyTorch، نحن، مع تحقيق هدف مشترك: بذل كل جهد ممكن للقيام عصا برامج تعلم آلة!

عبر https://thegradient.pub/state-of-ml-frameworks-2019-pytorch-dominates-research-tensorflow-dominates-industry/

شبكة لى فنغ جمعت AI تقنية الاستعراض. شبكة لى فنغ