PyTorch vs Tensorflow désireux

Google a récemment inclus dans tensorflow's nightly builds son Eager mode, une API impérative pour accéder aux capacités de calcul tensorflow.

Comment tensorflow désireux se compare-t-il à PyTorch?

Certains aspects qui pourraient affecter la comparaison pourraient être:

• Avantages et inconvénients de désireux en raison de son héritage graphique statique (par exemple, les noms dans les nœuds).
• Limitations intrinsèques de l'un d'eux que l'autre n'a pas.
• Domaines dans lesquels l'un d'entre eux doit être amélioré (par exemple, exhaustivité des fonctionnalités, optimisations informatiques).
• Différences d'écosystème (par exemple, panneau tensoriel?).

Note 1: Yaroslav Bulatov a écrit un avis sur les fonctionnalités intéressantes d'Everger .

Note2: Dans une question précédente , j'ai demandé une comparaison entre PyTorch et Tensorflow Fold. À ce moment-là, il me semblait que Fold pouvait faire face à PyTorch grâce au soutien de Google. J'avais très très tort: ​​au final, Google lui-même a abandonné Fold au profit d'Eager. Je comprends que cela était dû aux limitations intrinsèques de l'API tensorflow normale qui ont conduit Fold à ne pas être très convivial, ce qui a limité son adoption.

L'un des principaux avantages que j'utilise beaucoup est qu'il est compatible avec pdb, de sorte que

pdb.set_trace # To the rescue

Permet l'utilisation de structures de données python

et laissez-nous utiliser le flux de contrôle pythonique au lieu d'utiliser les principaux équivalents tf.

Cela permet également d'éviter les problèmes de métaprogrammation tels que le "chargement paresseux" et l'ajout d'un tas d'opérations à mon graphique. Également similitudes autograd