¿Quién no ha oído hablar de la batalla entre PyTorch de FB y TensorFlow de Google? Este artículo es un gran artículo escrito por Kirill Dubovikov desde el extranjero, que revela rápidamente las causas fundamentales del conflicto y la competencia entre estos dos marcos.
El núcleo de la competencia es que los dos marcos son demasiado similares. ¿Cuáles son las similitudes entre los dos marcos?
1. Es una biblioteca de código abierto para computación numérica de alto rendimiento.
2. Obtenga apoyo de grandes empresas de tecnología
3. Tener una comunidad de apoyo fuerte y activa
4. Está basado en Python
5. Utilice diagramas para representar el flujo de datos y operaciones.
6. Tener registros detallados
Teniendo en cuenta todos estos factores, podemos decir que casi todo lo creado en un marco se puede copiar en el otro a un costo similar. Por tanto, el problema radica aquí.
¿Qué marco debería utilizar? ¿Cuáles son las principales diferencias entre cada comunidad?
En / Data, investigamos continuamente a la comunidad de desarrolladores para rastrear y predecir tendencias futuras en diferentes campos técnicos. Especialmente para el aprendizaje automático, esta competencia es crucial. El marco ubicuo (si lo hubiera) tendrá un gran impacto en el camino que tomará la comunidad de aprendizaje automático en los próximos años.
Con esto en mente, preguntamos a los desarrolladores y dijeron que estaban involucrados en ciencia de datos (DS) o aprendizaje automático (ML) cuál de los dos frameworks estaban usando, cómo los usaban y qué hacían en el campo profesional. qué.
TensorFlow ganó la competencia, pero ¿se juega PyTorch en la misma consola?
Entre los 3000 desarrolladores involucrados en ML o DS, vemos que el 43% usa PyTorch o TensorFlow.
Este 43% no se distribuye uniformemente entre los dos marcos. TensorFlow es 3,4 veces más grande que PyTorch. Un total del 86% de los desarrolladores de ML y científicos de datos dijeron que actualmente están usando TensorFlow, mientras que solo el 11% usa PyTorch.
Además, PyTorch tiene más del 50% de la comunidad que usa TensorFlow. Por otro lado, solo el 15% de la comunidad de TensorFlow también usa PyTorch. Parece que TensorFlow es imprescindible, pero PyTorch es una buena opción.
¿Quién usa PyTorch y quién usa TensorFlow? ¿Cuál es el más utilizado para cada marco?
Aquí hay otras cosas que se destacan:
Esto es decisivo. En comparación con PyTorch, TensorFlow se usa en producción y es probable que se implemente en la nube, porque la experiencia de backend para los usuarios de TensorFlow es significativamente mayor (4.8 en comparación con 3.8 para los usuarios de PyTorch).
En comparación con PyTorch, su comunidad está compuesta por desarrolladores de aprendizaje automático más profesionales (28%), arquitectos de software (26%) y programadores internos (58%). Es muy probable que esto se deba al enfoque de Google en la implementación a través de API como el servicio Tensorflow, que se ha convertido en una motivación clave para que muchos desarrolladores adopten TensorFlow cuando intentan impulsar productos de datos en entornos de producción.
Por otro lado, PyTorch se usa más que TensorFlow para modelos especiales en análisis de datos y entornos comerciales (10%). En la comunidad de PyTorch, hay más desarrolladores de Python (es decir, desarrolladores que utilizan Python como lenguaje principal) trabajando en aplicaciones web (46%).
Además, la versatilidad de este marco Pythonic permite a los investigadores probar ideas con poca fricción, por lo que es el marco de elección para las soluciones de vanguardia más avanzadas.
Lectura ampliada: La conferencia de Google I / O ha terminado, ¡pero todos han ignorado este pequeño detalle!
En la conferencia Google I / O en mayo de este año, además de presentar el rendimiento de Coral y sus productos de desarrollo de hardware, Google también mostró una aplicación móvil desarrollada por un equipo nacional basada en hardware Coral (Coral Dev Board) en la conferencia—— Juego de modelos. Se informa que Model Play es un mercado de intercambio de modelos de IA para desarrolladores globales de IA.
Model Play no solo proporciona una plataforma para que los desarrolladores globales muestren y se comuniquen con modelos de IA, sino que también se puede utilizar con Coral Dev Board con Edge TPU para acelerar la inferencia de ML y obtener una vista previa del efecto de la operación del modelo en tiempo real en teléfonos móviles.