¿La antorcha es compatible con Python?

PyTorch fue desarrollado por el equipo de Torch7. Como puede verse por su nombre, la diferencia con Torch es que PyTorch utiliza Python como lenguaje de desarrollo.

El llamado "Python primero" también significa que es el primer marco de aprendizaje profundo de Python, que no solo logra una poderosa aceleración de GPU, sino que también admite redes neuronales dinámicas, que es la característica de muchos marcos convencionales. como Tensorflow, ninguno de los dos es compatible.

PyTorch puede considerarse como un gran soporte para GPU y una poderosa red neuronal profunda con función de derivación automática. Además de Facebook, también ha sido utilizado por Twitter, CMU y organizaciones como Salesforce.

Recomendaciones relacionadas: "Tutorial de Python"

Por qué usar PyTorch

Frente a tantos marcos de aprendizaje profundo, ¿por qué deberíamos elegir PyTorch? ¿No es Tensorflow el líder predeterminado de los marcos de aprendizaje profundo? ¿Por qué no elegir Tensorflow directamente sino elegir PyTorch? La siguiente es una introducción de por qué debería usar PyTorch en 4 aspectos.

(1) Dominar un marco no se puede lograr de una vez por todas. Nadie tiene ahora el monopolio absoluto del aprendizaje profundo, ni siquiera Google, por lo que simplemente aprender Tensorflow no es suficiente. Al mismo tiempo, los investigadores actuales utilizan varios marcos. Si desea ver el código que implementan, al menos debe comprender el marco que utilizan, así que aprenda un marco más en caso de que lo necesite.

(2) Tensorflow y Caffe son lenguajes de programación imperativos y son estáticos. Primero debes construir una red neuronal y luego usar la misma estructura una y otra vez. la red, hay que empezar desde cero. Pero para PyTorch, a través de una tecnología de derivación automática inversa, puede cambiar el comportamiento de la red neuronal arbitrariamente sin demora. Aunque esta tecnología no es exclusiva de PyTorch, es la implementación más rápida hasta el momento y puede ayudarlo a implementar cualquier locura. idea logra la mayor velocidad y la mejor flexibilidad, que también es la mayor ventaja de PyTorch en comparación con Tensorflow.

(3) La idea de diseño de PyTorch es lineal, intuitiva y fácil de usar. Cuando ejecuta una línea de código, se ejecutará fielmente y no habrá una visión del mundo asincrónica, por lo que cuando se ejecute. aparece un error en su código. En este momento, puede usar esta información para encontrar fácil y rápidamente el código erróneo, lo que no le permitirá perder demasiado tiempo debido a direcciones incorrectas o motores asincrónicos y opacos durante la depuración.

(4) En comparación con Tensorflow, el código de PyTorch es más conciso e intuitivo. Al mismo tiempo, para el código subyacente altamente industrializado de Tensorflow que es difícil de entender, el código fuente de PyTorch es mucho más amigable y fácil de entender. . Definitivamente es un placer profundizar en la API y comprender las capas subyacentes de PyTorch. Un marco cuya arquitectura subyacente pueda entenderse le brindará una comprensión más profunda del mismo.

Finalmente, resumimos brevemente las características de PyTorch:

·Soporte de GPU;

·Red neuronal dinámica;

·Preferiblemente Python ;

·Experiencia imperativa;

·Fácil extensión.

PyTorch, que tiene tantas ventajas, también tiene sus desventajas. Debido a que este marco es relativamente nuevo, hay menos personas que lo usan, lo que hace que su comunidad no sea tan fuerte, pero PyTorch proporciona un foro oficial. La mayoría de las preguntas que encuentre se pueden buscar en él. Las respuestas generalmente las proporciona el autor u otros usuarios de PyTorch. El foro también se actualiza con mucha frecuencia. También puede enviar problemas en Github. desarrollador pronto, lo que puede considerarse como una solución al problema de la comunidad hasta cierto punto.