Автор оригинала: Pankaj Kumar.
Pytorch – это открытый источник, на основе Python на основе машины и глубокой структуры обучения, которая широко используется для нескольких приложений для обработки естественного языка и приложений компьютеров. Pytorch был разработан исследованиями AI Facebook и адаптирован несколькими отраслями, такими как Uber, Twitter, Salesforce и NVIDIA.
История Pytorch
Pytorch получает свою текущую форму из двух источников. Первое существо Факел , библиотека машины, разработанная в Луа Язык, датирующийся в 2002 году. Факел больше не активен и был полностью захвачен Pytorch на данный момент. Второй источник Pytorch – Цепь Рамки, разработанные в Японии в 2015 году, что использует Numpy Как тензорные структуры для вычислений и нетерпеливой подход к автоматической дифференциации. Оба эти функции активно приняты Pytorch Framework.
Еще одна независимая структура, разработанная Facebook, известным как Caffe2 ( сверточная архитектура для быстрой функции вложения ) позже объединилась в Pytorch.
Особенности Pytorch.
- Универсальная коллекция модулей: Pytorch поставляется с несколькими специально разработанными модулями, такими как TorchText , Torchvision и Torchaudio Работать с разными областями глубокого изучения, такого как NLP, компьютерное зрение и обработка речи.
- Numpy Wificate: Pytorch работает с Numpy, как тензор Структуры для его вычислений, которые являются все GPU совместимо Отказ
- Легко реализовать обратное распространение: Pytorch поддерживает Авторазличия I.e. Это значительно упрощает способ, которым сложные расчеты, такие как обратная обработка, обрабатываются путем записи операций, выполняемых в переменной и запускается их назад. Это оказывается эффективным в экономии времени, а также берет нагрузку на спину программистов.
- Подробнее Pythonic: Pytorch считается более Pythonic несколькими разработчиками, поскольку оно поддерживает динамически внесение изменений в ваш код.
- Гибкая, боленная отладка: Pytorch не требует от вас, чтобы определить весь график априори. Он работает с Императивная парадигма , что означает, что каждая строка кода добавляет определенный компонент на график, и каждый компонент может быть запущен, протестирован и отлажен независимо от полной структуры графов, что делает его очень гибким.
Сравнение к Tensorflow
Хотя Tensorflow Google уже является хорошо установленным ML/DL Framework с несколькими верными сторонниками, Pytorch нашла свой крепость благодаря своему динамическому графику и гибкой стратегии отладки. У Pytorch есть несколько исследователей, активно поддерживающих его по этим причинам. В 2018-19 году было замечено, что исследовательские документы, упомянутые Pytorch, удвоились в число.
Tensorflow 2.0 представил нетерпеливое исполнение Парадигма для определений динамических графов в аналогичных линиях для Pytorch. Тем не менее, ресурсы, которые помогут вам узнать эту функцию, все еще редкие. Хотя TenSorflow часто рекламируется как прочность в отрасли ML/DL библиотека, Pytorch по-прежнему продолжает расти, вследствие его мягких кривых обучения для новичков.
Этот учебный сериал стремится оснастить вас всеми необходимыми навыками, которые вам необходимо начать развивать и обучение собственных нейронных сетей с Pytorch.
Таким образом, Bookmark Pyptorch Page сохраняет часы по всем новым темам, которые будут покрыты в будущем.