PyTorch vs. Tensorflow ansioso

O Google recentemente incluído no noturno do tensorflow constrói seu modo Eager , uma API imperativa para acessar os recursos de computação do tensorflow.

Como o tensorflow se compara ao PyTorch?

Alguns aspectos que podem afetar a comparação podem ser:

• Vantagens e desvantagens do ansioso devido ao seu legado de gráfico estático (por exemplo, nomes em nós).
• Limitações intrínsecas de um deles que o outro não possui.
• Áreas em que um deles precisa ser aprimorado (por exemplo, integridade de recursos, otimizações computacionais).
• Diferenças no ecossistema (por exemplo, tensorboard?).

Nota1: Yaroslav Bulatov escreveu uma resenha sobre os recursos interessantes de ansioso .

Nota2: Em uma pergunta anterior , solicitei uma comparação entre o PyTorch e o Tensorflow Fold. Naquela época, parecia-me que o Fold podia enfrentar o PyTorch graças ao apoio do Google. Eu estava muito errado: no final, o próprio Google abandonou o Fold em favor do Eager. Entendo que isso ocorreu devido a limitações intrínsecas na API normal do tensorflow que levaram o Fold a não ser muito amigável, o que restringiu sua adoção.

Uma das principais vantagens que eu uso muito é que é compatível com o pdb, para que

pdb.set_trace # To the rescue

Permite o uso de estruturas de dados python

e vamos usar o fluxo de controle pitônico em vez de usar os principais equivalentes de tf.

Também permite evitar problemas de metaprogramação como "carregamento lento" e adicionar várias operações ao meu gráfico. Também semelhanças com auto-classificação