¿En qué casos debo usar TensorFlow, PyTorch y Caffe2?

Utilice TensorFlow: – Si desea que su código se ejecute en diferentes plataformas, es decir, Android, Windows, Linux y desea utilizar el procesamiento distribuido. Si lo desea, no quiera usar servidores de parámetros mientras construye su modelo de red neuronal. Es importante si desea construir un modelo y usarlo para la producción.

Utilice PyTorch : – Si desea crear gráficos de cálculo dinámico (DCG). La principal utilidad de DCG es que le permite procesar entradas y salidas complejas, sin preocuparse de convertir cada lote de entrada en un gran tensor de grasa. El procesamiento distribuido sigue siendo experimental. Torch no tiene tiempo de compilación.

Use Caffe2: – Si desea un flujo de trabajo de inteligencia artificial de principio a fin. Si no desea entrometerse en el middleware, por ejemplo, configuración de configuración de GPU / CPU. Si no tiene ninguna intención de crear capas y agregarlas al marco porque tiene que escribirlas en C ++. Si desea resultados de vanguardia en las operaciones de imagen con Deep Learning.

Nota: – Los resultados variarán dependiendo del ajuste de los modelos al usar esas bibliotecas.

Actualización: –

Utilice Theano: – Theano existía antes de TensorFlow. Ambos son más que un aprendizaje profundo. Lo importante de Theano es que, junto con la creación de CNN en código de bajo nivel, la biblioteca también proporciona operaciones matemáticas. Entonces, si está investigando y probando nuevos algoritmos y experimentando con ellos, use Theano. TensorFlow está cerca de Theano con respecto a esto, pero aún es un poco inmaduro.

Use Keras: – Keras actúa como una interfaz para las bibliotecas que tienen códigos de bajo nivel. es decir: – Theano, TensorFlow. Se sienta encima de Theano y TensorFlow a partir de ahora. Si usted es un codificador perezoso o menos codificador y más investigador o un principiante en Python y las bibliotecas de aprendizaje profundo que usan Keras le ahorran el día.

Nota sobre Keras: –

• Keras con Theano tienen mejores prestaciones en el caso de modelos que utilizan imágenes como entrada.
• Keras con TensorFlow es lento en comparación con Theano. Sin embargo, está mejorando porque Google decidió oficialmente usar Keras como interfaz para TensorFlow. Espero que resuelva los problemas.
• Keras es genial cuando solo estás construyendo tus capas y haciéndolo complicado.

Usan un lenguaje diferente, como Tensorflow y Pytorch usan python, mientras que Caffe2 usa C / C ++. Una compañía usa solo uno de ellos, como Google usa tensorflow mientras que Facebook y Twitter usan la antorcha.

Los conceptos utilizados en diferentes marcos son diferentes, como tensorflow utiliza una forma teórica de aprendizaje profundo de pensar sobre la red neuronal.

La principal diferencia es que PyTorch admite la creación de gráficos de cálculo dinámico (DCG), mientras que Tensorflow utiliza un gráfico de cálculo estático (SCG). Puedes ver eso en su página.

El uso principal de un gráfico de cálculo dinámico es que le permiten procesar entradas y salidas complejas, sin pensar en convertir cada lote de entrada en un gran tensor de grasa. Esto se vuelve importante cuando se ejecuta RNN en longitud variable. Mientras que en SCG puede lograr esto al agrupar entradas y salidas. Ahora, cuando tiene que realizar cálculos complejos, tiene que lidiar con parámetros adicionales para hacer el bucketing. Si se realiza el mismo cálculo en DCG, no debemos preocuparnos por eso y podemos escribir la función como queremos que se realice.

PyTorch también facilitó numpy y scipy al proporcionar soporte para la diferenciación automática. Esto le brinda la funcionalidad para escribir sus redes neuronales usando construcciones numpy like, y los gradientes se calculan automáticamente para usted.

Y no es que PyTorch sea siempre mejor que el tensorflow, la desventaja del enfoque DCG es que no admite operaciones de procesamiento por lotes para salidas de entrada complejas, tan eficientemente como el SCG y, por lo tanto, tiende a ser más lento. Además, si la red es grande, entonces el enfoque DCG requiere mucha memoria para almacenar el gráfico computacional, que generalmente se optimiza mucho en un marco SCG.

Hay muchas otras pequeñas diferencias entre dos, pero la diferencia principal es que PyTorch es DCG y el tensorflow es SCG. Y en algunos casos SCG funciona mejor y en otros DCG funciona mejor.

Puedes obtener más información sobre ellos en sus páginas
PyTorch, Tensorflow, Caffe2

Espero que esto ayude.