- Оригинальный адрес:Which Deep Learning Framework is Growing Fastest?
- Оригинальный автор:Jeff Hale
- Перевод с:Программа перевода самородков
- Постоянная ссылка на эту статью:GitHub.com/rare earth/gold-no…
- Переводчик:ccJia
- Корректор:luochen1992, zhmhhu
В сентябре 2018 года я написалстатья, сравнивает все основные фреймворки глубокого обучения с точки зрения спроса, инженерного использования и популярности. TensorFlow — абсолютный король, а Pytorch — молодой претендент, жаждущий попробовать.
Спустя полгода ситуация изменилась?
Чтобы ответить на этот вопрос, я взял данные с сайтов онлайн-рекрутинга, таких как:Indeed,Monster,LinkedInиSimplyHired) профессиональные требования,Объем поиска Google,активность на гитхабе,Количество статей в СМИ,Статьи на ArXivа такжеПодписчики QuoraДождитесь изменения данных в нескольких аспектах для оценки. Наконец, на основе этих данных для читателей строится график роста спроса, использования и популярности.
Интегрируйте и обновляйте
Мы обнаружили, что и у TensorFlow, и у PyTorch есть несколько основных выпусков.
PyTorch 1.0 был предварительно выпущен в октябре 2018 года, одновременно с fastai 1.0. Выпуск этих двух версий является важной вехой в развитии фреймворка глубокого обучения.
В апреле 2019 года также была выпущена альфа-версия TensorFlow 2.0. При добавлении множества новых функций пользовательский интерфейс был улучшен. И более тесно интегрирует Keras в качестве высокоуровневого API.
метод
В этой статье Keras и fastai также можно использовать в качестве критерия для оценки TensorFlow и PyTorch из-за их зависимости от TesensorFlow и PyTorch, поэтому мы также включаем их в сравнение.
Что касается других фреймворков глубокого обучения, я не буду их обсуждать. Многие читатели наверняка найдут ценными такие фреймворки, как Caffe, Theano, MXNET, CNTK, DeepLearning4J и Chainer. Однако, хотя у них много преимуществ, их действительно нельзя сравнивать с TensorFlow и Pytorch, и они мало пересекаются с этими двумя фреймворками.
Наш анализ был выполнен в период с 20 по 21 марта 2019 года, а источник данных находится по адресув гугл формах.
я используюplotlyЧто касается библиотеки визуализации, более подробную информацию можно найти в моемKaggle Kernel.
Хорошо, теперь давайте посмотрим, каковы результаты каждой классификации.
Изменения в требованиях к онлайн-работе
Я определил, какой фреймворк в настоящее время наиболее востребован, путем поиска данных с нескольких крупных онлайн-сайтов по подбору персонала, таких как Действительно, LinkedIn, Monster и SimplyHired.
Ключевые слова для поиска, которые я использую, такие:machine learning, за которым следует соответствующее имя библиотеки. Например, для оценки TensorFlow мы используем следующие ключевые слова:machine learning TensorFlow. Для исторического сравнения это ключевое слово использовалось для поиска. если не добавитьmachine learningРезультаты не будут существенно отличаться. Наша область поиска настроена на Соединенные Штаты.
Я вычел данные 6-месячной давности из данных марта 2019 года и обнаружил следующее:
В списках вакансий TensorFlow рос немного быстрее, чем PyTorch. Keras также вырос, примерно вдвое меньше, чем TensorFlow. Фастай по-прежнему пользуется низким спросом.
Стоит отметить, что помимо LinkedIn значительно вырос PyTorch по сравнению с TensorFlow на других сайтах поиска работы. Но в абсолютных цифрах у TensorFlow почти в 3 раза больше рабочих мест, чем у PyTorch или Keras.
Изменения в средней поисковой активности Google
Количество поисковых запросов в крупнейших поисковых системах можно использовать в качестве меры популярности. В Google Trends я собрал информацию со всего мира за последний год.Machine Learning and Artificial IntelligenceПоиск по категории. К сожалению, Google не предоставляет абсолютных числовых значений, а только набор относительных значений.
Я взял средний процентный балл за последние 6 месяцев и сравнил его со средним процентным показателем за полгода назад.
За последние 6 месяцев количество запросов, связанных с TensorFlow, сократилось, а количество запросов, связанных с PyTorch, увеличилось.
График ниже наглядно отражает тенденцию интереса людей за последний 1 год.
Новые статьи в СМИ
Новые медиа — это основное место распространения статей и руководств по науке о данных, и я надеюсь, вам понравится. Я гуглил, используя Medium.com в качестве фильтра, и за последние 6 месяцев у TensorFlow и Keras было примерно одинаковое количество статей, а у PyTorch чуть меньше.
Keras и fastai как API высокого уровня очень популярны среди практиков новых фреймворков, и существует множество руководств, показывающих, как правильно использовать эти новые фреймворки.
Новая статья на arXiv
arXivЭто онлайн-репозиторий, который выбирают для публикации большинство текущих академических статей по глубокому обучению. Я погуглил фреймворки, упомянутые в новых статьях, опубликованных за последние 6 месяцев, и оказалось, что TensorFlow далеко впереди.
GitHub добавляет активность
Недавняя активность Git — еще один показатель популярности фреймворка. На приведенной ниже диаграмме показано количество лайков, клонов, подписчиков и участников.
TensorFlow лидирует во всех вариантах. Тем не менее, PyTorch очень близко подошел к TensorFlow с точки зрения подписчиков и участников, а fastai увидел много новых участников.
Без сомнения, некоторые участники Keras все еще усердно работают с библиотекой TensorFlow. Также стоит отметить, что оба этих проекта с открытым исходным кодом были инициированы сотрудниками Google.
Новые подписчики на Quora
Я включил эталонную метрику, которую пропустил ранее — количество подписчиков новой темы на Quora.
В последние 6 месяцев подавляющее большинство любителей новых тем вращалось вокруг TensorFlow, тогда как PyTorch и Keras сильно отстали.
Когда у меня будут все данные, я организую их в новую метрику.
Расчет показателя роста
Вот как я создаю показатель роста:
-
Масштабируйте баллы по всем показателям от 0 до 1.
-
Резюмеработа в Интернетеиактивность на гитхабеи другие подклассы.
-
Каждая категория взвешивается в соответствии с указанными ниже процентами.
-
Для простоты понимания умножаем все баллы на 100.
-
Баллы соответствующих категорий каждого кадра суммируются для получения окончательного балла роста.
Онлайн-работа составляет одну треть от общего веса по той простой причине, что прямые экономические выгоды являются наиболее практичными. Это деление также позволяет лучше сбалансировать различные варианты. Отличается от других моих2018 power score analysis, я не включил опросы об использовании KDNuggets (нет новых данных) и публикации (не слишком много новых книг за последние 6 месяцев).
результат
Вот форма таблицы:
Вот баллы по каждой категории:
Вот окончательный счет:
TensorFlow на данный момент является самым востребованным и быстрорастущим фреймворком, и эта ситуация не изменится в ближайшее время. Рост PyTorch также очень быстрый, и большое количество вакансий является лучшим доказательством роста спроса и использования. Конечно, Керас также прошел долгий путь за последние 6 месяцев. Наконец, рост fastai не идеален, но следует отметить, что это самый молодой из этих фреймворков. Итак, и TensorFlow, и PyTorch — это фреймворки, которые стоит изучить.
совет по учебе
Если вы собираетесь изучать TensorFlow, я предлагаю вам начать с Keras. ШоллеDeep Learning with Pythonс Дэном БеккеромDataCamp course on KerasЭто два хороших вводных учебника. Использование Keras в качестве высокоуровневого API в TensorFlow 2.0 можно вызывать только через tf.keras. Вот краткое описание TensorFlow 2.0 от Chollet.руководство.
Если вы готовы изучить PyTorch, я рекомендую прочитать статью MOOC на сайте fast.ai.Practical Deep Learning for Coders, v3Начинать. Вы можете изучить принципы глубокого обучения и основы fastai и PyTorch.
Итак, каково будущее TensorFlow и PyTorch?
будущее направление
Я часто слышу, как люди говорят, что PyTorch лучше, чем TensorFlow. Это связано с тем, что PyTorch имеет более стабильный API и ближе к использованию Python. Есть также встроенные инструменты преобразования моделей.ONNX, который можно использовать для увеличения скорости вывода. Кроме того, Pytorch делится многимиnumpyкоманда, которая может снизить порог обучения.
Все улучшения в TensorFlow 2.0 направлены на удобство работы пользователей, говорит главный специалист Google по принятию решений в области искусственного интеллекта.Cassie KozyrkovЕсть следующиеобъяснять. TensorFlow теперь имеет более интуитивно понятный API, более логическую интеграцию с Keras и больше вариантов прямого выполнения. Эти изменения, наряду с широким использованием TensorFlow, помогут ему набирать популярность еще долгие годы.
Кроме того, TensorFlow недавно объявил об интересной инициативе по разработкеБыстрая версия TensorFlow.SwiftЯзык программирования, изначально созданный Apple. По сравнению с Python Swift имеет много преимуществ в скорости исполнения и разработки. Автор: Джереми Ховард, соучредитель fast.aiИнформация, fast.ai будет использоваться в некоторых продвинутых МООК.Быстрая версия TensorFlow. Возможно, язык не будет готов в ближайшие год или два, но он определенно улучшит существующие фреймворки глубокого обучения. Видно, что сотрудничество и перекрестное обучение между языками и фреймворками продолжается.
квантовые вычисленияДостижения в области глубокого обучения также повлияют на фреймворки глубокого обучения. Хотя до пригодных для использования квантовых компьютеров еще далеко,Google,IBM, Microsoft и другие уже думают о том, как совместить квантовые вычисления и глубокое обучение. Фреймворки должны медленно адаптироваться к этой новой технологии.
Эпилог
Вы видели рост TensorFlow и PyTorch. У них обоих есть хорошие высокоуровневые API: tf.keras и fastai, которые могут снизить порог обучения для новичков. Вы также видели новые функции и будущие направления для платформы.
Если вам нужно использовать диаграмму в тексте, вы можете перейти на мойKaggle Kernelчтобы получить соответствующий контент.
Я надеюсь, что вы можете получить помощь от этого сравнения. Если это действительно поможет, поделитесь им в своих любимых социальных сетях, чтобы больше людей могли получить пользу.
Спасибо за просмотр!
Если вы обнаружите ошибки в переводе или в других областях, требующих доработки, добро пожаловать наПрограмма перевода самородковВы также можете получить соответствующие бонусные баллы за доработку перевода и PR. начало статьиПостоянная ссылка на эту статьюЭто ссылка MarkDown этой статьи на GitHub.
Программа перевода самородковэто сообщество, которое переводит высококачественные технические статьи из Интернета сНаггетсДелитесь статьями на английском языке на . Охват контентаAndroid,iOS,внешний интерфейс,задняя часть,блокчейн,продукт,дизайн,искусственный интеллектЕсли вы хотите видеть более качественные переводы, пожалуйста, продолжайте обращать вниманиеПрограмма перевода самородков,официальный Вейбо,Знай колонку.