Chỉ có TensorFlow Python?

Ai sử dụng TensorFlow?

TensorFlow nổi tiếng là một thư viện deep learning cấp sản xuất. Nó có cơ sở người dùng lớn và tích cực, đồng thời phổ biến các công cụ và nền tảng chính thức và bên thứ ba để đào tạo, triển khai và phục vụ các mô hình

Sau khi PyTorch được phát hành vào năm 2016, TensorFlow đã giảm mức độ phổ biến. Nhưng vào cuối năm 2019, Google đã phát hành TensorFlow 2. 0, một bản cập nhật lớn giúp đơn giản hóa thư viện và làm cho nó thân thiện hơn với người dùng, dẫn đến sự quan tâm mới trong cộng đồng máy học

Kiểu mã và chức năng

Trước TensorFlow 2. 0, TensorFlow yêu cầu bạn ghép thủ công một cây cú pháp trừu tượng—biểu đồ—bằng cách thực hiện lệnh gọi API tf.*. Sau đó, nó yêu cầu bạn biên dịch mô hình theo cách thủ công bằng cách chuyển một tập hợp các tenxơ đầu ra và các tenxơ đầu vào tới một cuộc gọi session.run()

Một đối tượng Session là một lớp để chạy các hoạt động của TensorFlow. Nó chứa môi trường trong đó các đối tượng Tensor được đánh giá và các đối tượng Operation được thực thi và nó có thể sở hữu các tài nguyên như đối tượng tf.Variable. Cách phổ biến nhất để sử dụng Session là quản lý ngữ cảnh

Trong TenorFlow 2. 0, bạn vẫn có thể xây dựng các mô hình theo cách này, nhưng sẽ dễ dàng hơn khi sử dụng thực thi háo hức, đó là cách Python thường hoạt động. Quá trình thực thi háo hức đánh giá các hoạt động ngay lập tức, vì vậy bạn có thể viết mã của mình bằng luồng điều khiển Python thay vì luồng điều khiển biểu đồ

Để thấy sự khác biệt, hãy xem cách bạn có thể nhân hai tenxơ bằng mỗi phương pháp. Đây là một ví dụ sử dụng TensorFlow 1 cũ. 0 phương pháp

>>>

>>> import tensorflow as tf

>>> tf.compat.v1.disable_eager_execution()

>>> x = tf.compat.v1.placeholder(tf.float32, name = "x")
>>> y = tf.compat.v1.placeholder(tf.float32, name = "y")

>>> multiply = tf.multiply(x, y)

>>> with tf.compat.v1.Session() as session:
..     m = session.run(
..         multiply, feed_dict={x: [[2., 4., 6.]], y: [[1.], [3.], [5.]]}
..     )
..     print(m)
[[ 2.  4.  6.]
 [ 6. 12. 18.]
 [10. 20. 30.]]

Mã này sử dụng TensorFlow 2. API

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

Trước tiên, bạn khai báo các tenxơ đầu vào

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

Với khả năng thực thi háo hức trong TensorFlow 2. 0, tất cả những gì bạn cần là

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>>

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

Trong mã này, bạn khai báo các tenxơ của mình bằng cách sử dụng ký hiệu danh sách Python và

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

Nếu bạn không muốn hoặc không cần xây dựng các thành phần cấp thấp, thì cách được khuyến nghị để sử dụng TensorFlow là Keras. Nó có các API đơn giản hơn, cuộn các trường hợp sử dụng phổ biến thành các thành phần đúc sẵn cho bạn và cung cấp các thông báo lỗi tốt hơn so với TensorFlow cơ sở

Tính năng đặc biệt

TensorFlow có cơ sở người dùng lớn và lâu đời cũng như rất nhiều công cụ để giúp sản xuất máy học. Để phát triển thiết bị di động, nó có API cho JavaScript và Swift, đồng thời TensorFlow Lite cho phép bạn nén và tối ưu hóa các mô hình cho thiết bị Internet of Things

Bạn có thể bắt đầu sử dụng TensorFlow một cách nhanh chóng nhờ có nhiều dữ liệu, mô hình được đào tạo trước và sổ ghi chép Google Colab mà cả Google và các bên thứ ba đều cung cấp

Nhiều bộ dữ liệu và thuật toán học máy phổ biến được tích hợp vào TensorFlow và sẵn sàng sử dụng. Ngoài các bộ dữ liệu tích hợp sẵn, bạn có thể truy cập bộ dữ liệu Nghiên cứu của Google hoặc sử dụng Tìm kiếm bộ dữ liệu của Google để tìm thêm

Keras giúp thiết lập và chạy các mô hình dễ dàng hơn, vì vậy bạn có thể thử các kỹ thuật mới trong thời gian ngắn hơn. Thật vậy, Keras là framework deep learning được sử dụng nhiều nhất trong số năm nhóm chiến thắng hàng đầu trên Kaggle

Một nhược điểm là bản cập nhật từ TensorFlow 1. x sang TensorFlow 2. 0 đã thay đổi rất nhiều tính năng mà bạn có thể cảm thấy bối rối. Nâng cấp mã là tẻ nhạt và dễ bị lỗi. Nhiều tài nguyên, chẳng hạn như hướng dẫn, có thể chứa lời khuyên lỗi thời

PyTorch không có cùng một vấn đề lớn về khả năng tương thích ngược, đó có thể là lý do để chọn nó thay vì TensorFlow

Hệ sinh thái kéo căng

Một số điểm nổi bật về API, tiện ích mở rộng và công cụ hữu ích của hệ sinh thái mở rộng TensorFlow bao gồm

• TensorFlow Hub, một thư viện dành cho các mô-đun máy học có thể tái sử dụng
• Model Garden, một bộ sưu tập chính thức các mô hình sử dụng API cấp cao của TensorFlow
• Học máy thực hành với Scikit-Learn, Keras và TensorFlow, giới thiệu toàn diện về học máy bằng TensorFlow

Ai sử dụng PyTorch?

PyTorch nổi tiếng là được sử dụng rộng rãi trong nghiên cứu hơn là sản xuất. Tuy nhiên, kể từ khi được phát hành vào năm sau TensorFlow, PyTorch đã chứng kiến ​​sự gia tăng mạnh mẽ về mức độ sử dụng của các nhà phát triển chuyên nghiệp

Danh sách các “Khuôn khổ, Thư viện và Công cụ khác” phổ biến nhất báo cáo rằng 10. 4 phần trăm các nhà phát triển chuyên nghiệp chọn TensorFlow và 4. 1 phần trăm chọn PyTorch. Trong , tỷ lệ phần trăm là 7. 6 phần trăm cho TensorFlow và chỉ 1. 6 phần trăm cho PyTorch

Đối với nghiên cứu, PyTorch là một lựa chọn phổ biến và các chương trình khoa học máy tính như của Stanford hiện sử dụng nó để dạy học sâu

Kiểu mã và chức năng

PyTorch dựa trên Torch, một khung để thực hiện tính toán nhanh được viết bằng C. Torch có trình bao bọc Lua để xây dựng mô hình

PyTorch kết thúc cùng một mặt sau C trong giao diện Python. Nhưng nó không chỉ là một cái bao bọc. Các nhà phát triển đã xây dựng nó từ đầu để làm cho các mô hình dễ viết cho các lập trình viên Python. Mã C và C++ cơ bản, cấp thấp được tối ưu hóa để chạy mã Python. Vì sự tích hợp chặt chẽ này, bạn có được

• Bộ nhớ tốt hơn và tối ưu hóa
• Thông báo lỗi hợp lý hơn
• Kiểm soát chi tiết hơn cấu trúc mô hình
• Hành vi mô hình minh bạch hơn
• Khả năng tương thích tốt hơn với NumPy

Điều đó có nghĩa là bạn có thể viết trực tiếp các thành phần mạng thần kinh tùy chỉnh cao bằng Python mà không phải sử dụng nhiều hàm cấp thấp.

Khả năng thực thi háo hức của PyTorch, đánh giá các hoạt động tensor ngay lập tức và linh hoạt, đã truyền cảm hứng cho TensorFlow 2. 0, vì vậy các API cho cả hai trông rất giống nhau

Việc chuyển đổi các đối tượng NumPy thành tensors được đưa vào cấu trúc dữ liệu cốt lõi của PyTorch. Điều đó có nghĩa là bạn có thể dễ dàng chuyển đổi qua lại giữa

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

Ví dụ: bạn có thể sử dụng hỗ trợ riêng của PyTorch để chuyển đổi mảng NumPy thành tensors để tạo hai đối tượng

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

>>>

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

Sử dụng

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

Sự khác biệt quan trọng nhất giữa đối tượng

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

>>> import torch
>>> import numpy as np

>>> x = np.array([[2., 4., 6.]])
>>> y = np.array([[1.], [3.], [5.]])

>>> m = torch.mul(torch.from_numpy(x), torch.from_numpy(y))

>>> m.numpy()
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]])

>>> import tensorflow as tf

>>> x = [[2., 4., 6.]]
>>> y = [[1.], [3.], [5.]]
>>> m = tf.multiply(x, y)

>>> m
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 2.,  4.,  6.],
       [ 6., 12., 18.],
       [10., 20., 30.]], dtype=float32)>

Tính năng đặc biệt

PyTorch thêm một mô-đun C++ để tự động phân biệt vào phụ trợ Torch. Autodifferentiation tự động tính toán độ dốc của các chức năng được xác định trong tf.*1 trong khi

Theo mặc định, PyTorch sử dụng tính toán chế độ háo hức. Bạn có thể chạy một mạng lưới thần kinh khi bạn xây dựng nó, từng dòng một, giúp gỡ lỗi dễ dàng hơn. Nó cũng cho phép xây dựng mạng lưới thần kinh với việc thực thi có điều kiện. Việc thực thi động này trực quan hơn đối với hầu hết các lập trình viên Python

Hệ sinh thái PyTorch

Một số điểm nổi bật về API, tiện ích mở rộng và công cụ hữu ích của hệ sinh thái mở rộng PyTorch bao gồm

• Nhanh. ai API, giúp xây dựng mô hình cực kỳ dễ dàng một cách nhanh chóng
• TorchServe, một máy chủ mô hình mã nguồn mở được phát triển với sự hợp tác giữa AWS và Facebook
• TorchElastic để đào tạo mạng lưới thần kinh sâu ở quy mô lớn bằng Kubernetes
• PyTorch Hub, một cộng đồng tích cực để chia sẻ và mở rộng các mô hình tiên tiến

Phong cách

Nếu bạn là một lập trình viên Python, thì PyTorch sẽ dễ dàng tiếp nhận. Nó hoạt động theo cách bạn mong đợi, ngay lập tức

Mặt khác, nhiều ngôn ngữ lập trình được hỗ trợ trong TensorFlow hơn trong PyTorch, vốn có API C++. Bạn có thể sử dụng TensorFlow trong cả JavaScript và Swift. Nếu bạn không muốn viết nhiều mã cấp thấp, thì Keras sẽ tóm tắt rất nhiều chi tiết cho các trường hợp sử dụng phổ biến để bạn có thể xây dựng các mô hình TensorFlow mà không cần tốn nhiều chi tiết

Dữ liệu và Mô hình

Những mô hình bạn đang sử dụng? . Một số mô hình được đào tạo trước chỉ có sẵn trong thư viện này hoặc thư viện kia và một số mô hình có sẵn trên cả hai. Model Garden và các trung tâm PyTorch và TensorFlow cũng là những tài nguyên tốt để kiểm tra

Bạn cần dữ liệu gì? . Kiểm tra các tài liệu để xem—nó sẽ giúp quá trình phát triển của bạn diễn ra nhanh hơn

Mục tiêu dự án

Mô hình của bạn sẽ sống ở đâu? . Đối với các mô hình phục vụ, TensorFlow tích hợp chặt chẽ với Google Cloud, nhưng PyTorch được tích hợp vào TorchServe trên AWS. Nếu bạn muốn tham gia các cuộc thi Kaggle, thì Keras sẽ cho phép bạn nhanh chóng lặp lại các thử nghiệm

Hãy suy nghĩ về những câu hỏi và ví dụ này khi bắt đầu dự án của bạn. Xác định hai hoặc ba thành phần quan trọng nhất và TensorFlow hoặc PyTorch sẽ nổi lên như một lựa chọn đúng đắn