PyTorch与Tensorflow渴望

谷歌最近在tensorflow的每晚构建中加入了其Eager模式，这是访问tensorflow计算功能的必要API。

张量流渴望与PyTorch相比如何？

可能影响比较的一些方面可能是：

• 渴望的优缺点来自其静态图的遗留（例如，节点中的名称）。
• 它们中任何一个都没有的内在限制。
• 其中之一需要改进的领域（例如，功能完整性，计算优化）。
• 生态系统差异（例如张量板？）。

注意1：Yaroslav Bulatov撰写了有关eager不错功能的评论。

注意2：在上一个问题中，我要求比较PyTorch和Tensorflow Fold。当时，在我看来Fold可以面对PyTorch，这要归功于Google的支持。我非常错：最终，Google本身放弃了Fold而转而使用Eager。我知道这是由于普通tensorflow API的固有限制导致Fold不太友好，从而限制了它的采用。

我经常使用的主要优点之一是与pdb兼容，因此

pdb.set_trace # To the rescue

允许使用python数据结构

让我们使用pythonic控制流，而不是使用主要的tf等效项。

它还可以避免元编程问题，例如“延迟加载”，并向我的图形添加一堆操作。也自动分级相似