PyTorch определяется как библиотека машинного обучения с открытым исходным кодом для Python. Он используется для приложений, таких как обработка естественного языка. Первоначально он был разработан исследовательской группой по искусственному интеллекту Facebook и программным обеспечением Uber Pyro для вероятностного программирования, которое основано на нем.
Первоначально PyTorch был разработан Хью Перкинсом как оболочка Python для LusJIT, основанная на платформе Torch. Есть два варианта PyTorch.
PyTorch перепроектирует и внедряет Torch в Python, совместно используя те же основные библиотеки C для внутреннего кода. Разработчики PyTorch настроили этот внутренний код для эффективной работы с Python. Они также сохранили аппаратное ускорение на основе графического процессора, а также функции расширяемости, которые сделали Torch на базе Lua.
Характеристики
Основные функции PyTorch упомянуты ниже —
Простой интерфейс — PyTorch предлагает простой в использовании API; следовательно, он считается очень простым в работе и работает на Python. Выполнение кода в этой среде довольно просто.
Использование Python — эта библиотека считается Pythonic, которая плавно интегрируется со стеком данных Python. Таким образом, он может использовать все сервисы и функциональные возможности, предлагаемые средой Python.
Вычислительные графы — PyTorch предоставляет отличную платформу, которая предлагает динамические вычислительные графы. Таким образом, пользователь может изменить их во время выполнения. Это очень полезно, когда разработчик не знает, сколько памяти требуется для создания модели нейронной сети.
PyTorch известен тем, что имеет три уровня абстракции, как указано ниже —
-
Тензор — императивный n-мерный массив, работающий на GPU.
-
Переменная — узел в вычислительном графе. Это хранит данные и градиент.
-
Модуль — Уровень нейронной сети, в котором будут храниться данные о состоянии или изучаемых весах.
Тензор — императивный n-мерный массив, работающий на GPU.
Переменная — узел в вычислительном графе. Это хранит данные и градиент.
Модуль — Уровень нейронной сети, в котором будут храниться данные о состоянии или изучаемых весах.
Преимущества PyTorch
Ниже приведены преимущества PyTorch —
-
Код легко отлаживать и понимать.
-
Он включает в себя много слоев, как факел.
-
Включает в себя множество функций потери.
-
Это можно рассматривать как расширение NumPy для графических процессоров.
-
Это позволяет строить сети, структура которых зависит от самих вычислений.
Код легко отлаживать и понимать.
Он включает в себя много слоев, как факел.
Включает в себя множество функций потери.
Это можно рассматривать как расширение NumPy для графических процессоров.
Это позволяет строить сети, структура которых зависит от самих вычислений.
TensorFlow vs. PyTorch
Мы рассмотрим основные различия между TensorFlow и PyTorch ниже —
PyTorch тесно связан с основанным на lua фреймворком Torch, который активно используется в Facebook.
TensorFlow разработан Google Brain и активно используется в Google.
PyTorch является относительно новым по сравнению с другими конкурентными технологиями.
TensorFlow не является новым и рассматривается многими исследователями и профессионалами в качестве инструмента, необходимого для работы.
PyTorch включает в себя все в императивной и динамичной манере.
TensorFlow включает в себя статические и динамические графики в виде комбинации.
Граф вычислений в PyTorch определяется во время выполнения.
TensorFlow не включает опцию времени выполнения.
PyTorch включает в себя возможность развертывания для мобильных и встроенных платформ.
TensorFlow лучше работает для встроенных фреймворков.