Pytorch vs. tensorflow pli

Question

Ambas cosas Pytorch y Pliegue de flujo tensor ¿Están los marcos de aprendizaje profundo destinados a lidiar con situaciones en las que los datos de entrada tienen una longitud o dimensiones no uniformes (es decir, situaciones en las que los gráficos dinámicos son útiles o necesarios).

Me gustaría saber cómo se comparan, en el sentido de paradigmas en los que confían (por ejemplo, lotes dinámicos) y sus implicaciones, cosas que pueden/no pueden implementarse en cada uno, debilidades/fortalezas, etc.

Tengo la intención de usar esta información para elegir una de ellas para comenzar a explorar gráficos de cálculo dinámico, pero no tengo una tarea específica en mente.

Nota 1: Otros marcos de gráficos de cálculo dinámico como Dinetía o Encadenador También son bienvenidos en la comparación, pero me gustaría centrarme en Pytorch y TensorFlow Fold porque creo que son/serán los más utilizados.

Nota 2: He encontrado Este hilo de Hackernews en Pytorch con algo de información escasa, pero no mucho.

Nota 3: otro relevante hilo de hackernews, sobre TensorFlow Fold, eso contiene información sobre cómo se comparan.

Nota 4: relevante Hilo de reddit.

Nota 5: error relevante en tensorflow fold's github Eso identifica una limitación importante: imposibilidad de hacer ramificación condicional durante la evaluación.

Nota 6: Discusión en el foro de Pytorch Acerca de las entradas de longitud variable en relación con los algoritmos utilizados (por ejemplo, un lote dinámico).

Answer 1

Hay un par de buenos hilos en Reddit en este momento (aquí y aquí).

No he usado ninguno de estos marcos, pero desde leer y hablar con los usuarios reúno ese soporte para gráficos dinámicos en Pytorch es un 'principio de diseño de arriba hacia abajo', mientras que Pliegue de flujo tensor está atornillado al marco original de TensorFlow, por lo que si está haciendo algo razonablemente complicado con Pliegue de flujo tensor Probablemente terminarás haciendo mucho más hacking que si estás usando Pytorch.