PyTorch continua a ser nossa escolha de framework de aprendizado de máquina (ML). A maioria de nossas equipes prefere o PyTorch ao TensorFlow. O PyTorch expõe o funcionamento interno do ML, algo que o TensorFlow oculta, facilitando a depuração. Com grafos computacionais dinâmicos, a otimização do modelo é muito mais fácil se comparada a qualquer outro framework de ML. A ampla disponibilidade de trabalhos de pesquisa sobre modelos de última geração (SOTA - State-of-the-Art) e sobre a facilidade de implementação fazem o PyTorch se destacar. Quando se trata de ML com grafos, o PyTorch Geometric é um ecossistema mais maduro e nossas equipes tiveram ótimas experiências com ele. O PyTorch gradualmente também preencheu lacunas no tocante a implantação e dimensionamento de modelos; nossas equipes usaram o TorchServe para oferecer modelos pré-treinados com sucesso em produção, por exemplo. Com muitas equipes adotando o PyTorch como padrão para suas necessidades de aprendizagem profunda de ponta a ponta, recomendamos alegremente a adoção do PyTorch.
Nossos times continuam a usar e apreciar o framework de aprendizado de máquina PyTorch, e vários times preferem PyTorch a TensorFlow. O PyTorch expõe o funcionamento interno de ML que o TensorFlow oculta, facilitando a depuração, além de conter construções com as quais as pessoas programadoras estão familiarizadas, como ciclos e ações. As versões recentes melhoraram o desempenho do PyTorch, e o usamos com sucesso em projetos de produção.
PyTorch is a complete rewrite of the Torch machine learning framework from Lua to Python. Although quite new and immature compared to Tensorflow, programmers find PyTorch much easier to work with. Because of its object-orientation and native Python implementation, models can be expressed more clearly and succinctly and debugged during execution. Although many of these frameworks have emerged recently, PyTorch has the backing of Facebook and broad range of partner organisations, including NVIDIA, which should ensure continuing support for CUDA architectures. ThoughtWorks teams find PyTorch useful for experimenting and developing models but still rely on TensorFlow’s performance for production-scale training and classification.
PyTorch is a complete rewrite of the Torch machine learning framework from Lua to Python. Although quite new and immature compared to Tensorflow, programmers find PyTorch much easier to work with. Because of its object-orientation and native Python implementation, models can be expressed more clearly and succinctly and debugged during execution. Although many of these frameworks have emerged recently, PyTorch has the backing of Facebook and broad range of partner organisations, including NVIDIA, which should ensure continuing support for CUDA architectures. ThoughtWorks teams find PyTorch useful for experimenting and developing models but still rely on TensorFlow’s performance for production-scale training and classification.
