深度学习pytorch_选择PyTorch进行深度学习的5个理由

深度学习pytorch

PyTorch绝对是当下的潮流 ，尤其是在最近的1.3和1.4版本中，带来了许多性能改进以及对移动平台的开发者更友好的支持。 但是为什么要选择使用PyTorch，而不是其他框架，如MXNet ， Chainer或TensorFlow ？ 让我们看一下构成PyTorch充分理由的五个原因。

在我们开始之前，请TensorFlow用户在我开始之前就已经输入了愤怒的推文和电子邮件，这是一种恳求：是的，还有很多理由选择TensorFlow而不是PyTorch，特别是如果您针对移动或Web平台。 这并不是要列出“ TensorFlow很烂”和“ PyTorch出色”的原因，而是一系列使PyTorch成为我首先讨论的框架的原因。 我承认，TensorFlow本身就很棒，所以请别犹豫。

[ 也在InfoWorld上：深度学习与机器学习：理解差异 ]

PyTorch是Python

人们选择PyTorch的主要原因之一是他们所看的代码很容易理解。 该框架的设计和组装是为了与Python一起使用，而不是经常反对它。 您的模型和层只是Python类，其他所有类也是如此：优化器，数据加载器，损失函数，转换等。

由于PyTorch运行的是急切的执行模式，而不是传统TensorFlow的静态执行图（是的，TensorFlow 2.0确实提供了急切的执行，但有时有点笨拙），因此很容易就您的自定义PyTorch类进行推理，并且您可以深入研究使用TensorBoard或标准Python技术进行的调试，从print()语句一直到从堆栈跟踪样本生成火焰图。 这一切对从其他数据科学框架（例如Pandas或Scikit-learn）进行深度学习的人员表示非常欢迎。

PyTorch还具有稳定的API的优点，该API从早期版本到1.3版仅进行了一次重大更改（即，将Variables更改为Tensors）。 尽管这无疑是由于其年龄太小，但它的确意味着无论您使用哪种版本，您在野外都会看到的绝大多数PyTorch代码都是可以识别和理解的。

PyTorch可以使用了

虽然“包含电池”的理念绝对不是PyTorch独有的，但使用PyTorch起来并使其运行起来非常容易。 使用PyTorch Hub ，您仅需一行代码即可获得经过预训练的ResNet-50模型：

model = torch.hub.load('pytorch/vision', 'resnet50', pretrained=True)

而且PyTorch Hub在各个域之间是统一的，从而使其成为一站式的架构，可处理文本，音频和视觉。

除了模型之外，PyTorch还提供大量损失函数和优化器，就像您期望的那样，还提供了易于使用的数据加载方法和链接内置转换的方法。 构建自己的加载程序或转换也很简单。 由于所有内容都是Python，因此只需实现标准的类接口即可。

需要注意的一点是，PyTorch随附的许多电池对视力问题（在火炬视觉包装中找到）有很大的偏见，其中一些文本和音频支持更为基本。 我很高兴地报告，在1.0以后的时代，torchtext和torchaudio软件包得到了很大的改进。

[ 也在InfoWorld上：最佳的软件开发，云计算，数据分析和机器学习产品 ]

PyTorch规则研究

PyTorch是研究人员的天堂，您可以在所有大型深度学习会议的论文中看到它的使用。 在2018年，PyTorch增长Swift，但在2019年，它已成为CVPR ， ICLR和ICML等的首选框架。 这种全心全意拥抱的原因肯定与我们上面提到的第一个原因有关：PyTorch是Python。

创建新的自定义组件是标准Python类的简单，稳定的子类，尝试新概念要容易得多。 而且所提供的灵活性意味着，如果您想编写一个将参数信息发送到TensorBoard，ElasticSearch或Amazon S3存储桶的层，就可以做到这一点。 想要引入深奥的库并在网络培训中内联使用它们，还是在培训循环中尝试新的尝试？ PyTorch不会妨碍您。

使PyTorch稍微退缩的一件事是缺乏从研究到生产的明确途径。 确实，无论PyTorch接管了多少研究工作，TensorFlow仍会为生产使用量起主导作用。 但随着PyTorch 1.3和扩大TorchScript ，它已成为容易使用，使用JIT引擎编译研发代号为图表示，随着产生的加速和方便的导出为一个C ++运行时Python的注释。 如今，支持将PyTorch与Seldon Core和Kubeflow集成在一起，从而允许在Kubernetes上进行生产部署，该部署几乎（不十分）像使用TensorFlow那样简单。

PyTorch使学习深度学习变得容易

那里有数十种深度学习课程，但是对我来说， fast.ai课程是最好的-而且它是免费的！ 虽然课程的第一年严重靠在Keras的fast.ai团队-杰里米·霍华德，雷切尔·托马斯和维尔托德Gugger -切换到PyTorch在使用过程中的第二次迭代，并没有回头。 （尽管公平地说，他们对TensorFlow的Swift持乐观态度。）

在本课程的最新版本中，您将发现如何在诸如文本，视觉域中的分类，分割和预测等任务上获得最新的结果，并全面了解GAN和许多甚至是精通专家的技巧和见解也会启发您。

虽然fast.ai课程使用fast.ai自己的库在PyTorch之上提供了进一步的抽象（从而使您更容易掌握深度学习），但该课程还深入研究了基础知识，并从PyTorch建立了类似PyTorch的库。从头开始，这将使您彻底了解PyTorch内部的工作原理。 fast.ai团队甚至设法解决了主线PyTorch中的一些错误。

[ 也在InfoWorld上：2020年的人工智能预测 ]

PyTorch有一个很棒的社区

最后，PyTorch社区是一件了不起的事情。 pytorch.org的主要网站上既有与PyTorch版本保持良好同步的出色文档 ，又有一系列出色的教程 ，涵盖了从PyTorch的主要功能突如其来的一小时，到深入探讨如何使用自定义C ++扩展库的内容。操作员。 尽管教程可以在培训/验证/测试拆分和培训循环等方面使用更多的标准化，但它们是宝贵的资源，尤其是在引入新功能时。

除了官方文档之外，位于forum.pytorch.org上基于Discourse的论坛是一个了不起的资源，您可以在其中轻松地与核心PyTorch开发人员进行交谈并获得帮助。 每周有1500多个帖子，这是一个友好而活跃的社区。 虽然讨论更多地集中在fast.ai自己的库上，但forums.fast.ai上的类似论坛是另一个很棒的社区（有很多交叉），它渴望以一种非守门的方式帮助新来者，这很可惜。深度学习讨论的许多领域中的问题。

PyTorch今天和明天

您已掌握了使用PyTorch的五个理由。 正如我在开始时所说，并非所有这些都是PyTorch与竞争对手独有的，但是所有这些原因的结合使PyTorch成为我选择的深度学习框架。 PyTorch当前确实存在某些不足的地方-例如，在移动网络中，网络稀疏，并且模型易于量化，仅需选择三个即可。 但是，鉴于高速发展，到今年年底，PyTorch在这些领域的表现将更加强大。

另外两个例子只是为了使我们满意。 首先， PyTorch Elastic （于12月作为实验功能推出）扩展了PyTorch的现有分布式培训包，以提供对大型模型的更强大的培训。 顾名思义，它是通过在多台具有弹性的机器上运行来实现的，从而允许节点随时进入和退出训练作业，而不会导致整个作业崩溃。

[ 同样在InfoWorld上：什么是CUDA？ GPU的并行编程 ]

其次， OpenAI宣布将采用PyTorch作为其主要开发框架。 这是PyTorch的一大胜利，因为它表明GPT-2的创建者（一种用于回答问题，机器翻译，阅读理解和总结的最先进的语言模型）相信PyTorch可以为他们提供更高的生产力在TensorFlow的环境中进行迭代。

在Preferred Networks将其深度学习框架Chainer置于维护模式并转移到PyTorch之后，OpenAI的决定着重说明了PyTorch在过去两年中取得了长足的发展，并强烈暗示PyTorch在未来几年将继续改善并吸引用户。来。 如果AI世界中的这些大公司更喜欢使用PyTorch，那么对我们其他人也可能是有益的。

翻译自: https://www.infoworld.com/article/3528780/5-reasons-to-choose-pytorch-for-deep-learning.html

深度学习pytorch