Technology Radar
PyTorch sigue siendo nuestra elección de framework para machine learning (ML). La mayoría de nuestros equipos prefieren PyTorch a TensorFlow. PyTorch expone el funcionamiento interno de ML que TensorFlow oculta, haciéndolo más sencillo de depurar. Con gráficos computacionales dinámicos, la optimización de modelos es mucho más fácil en comparación con cualquier otro framework de ML. La amplia disponibilidad de modelos de última generación (State-of-the-Art, SOTA, por sus siglas en inglés) y la facilidad para implementar documentos de investigación hacen que PyTorch destaque. Cuando se trata de ML gráfico, PyTorch Geometric es un ecosistema más maduro y nuestros equipos han tenido excelentes experiencias con él. PyTorch también ha ido cerrando las brechas en lo que respecta a la implementación y escalado de modelos; nuestros equipos han usado con éxito, por ejemplo, TorchServe para desplegar en producción modelos previamente entrenados. Dado que muchos equipos utilizan PyTorch de forma predeterminada para sus necesidades de deep-learning de extremo a extremo, con gusto recomendamos adoptar PyTorch.
Nuestros equipos han venido usando, y les sigue gustando, el framework de machine learning PyTorch, y muchos equipos prefieren PyTorch sobre TensorFlow. PyTorch expone el funcionamiento interno de ML que TensorFlow oculta, haciendo que sea más fácil depurarlo, y contiene componentes con los que la mayoría de las personas programadoras están familiarizadas, como bucles y acciones. Los lanzamientos recientes han mejorado el desempeño de PyTorch, y nosotros lo hemos estado usando con éxito en proyectos en producción.
PyTorch is a complete rewrite of the Torch machine learning framework from Lua to Python. Although quite new and immature compared to Tensorflow, programmers find PyTorch much easier to work with. Because of its object-orientation and native Python implementation, models can be expressed more clearly and succinctly and debugged during execution. Although many of these frameworks have emerged recently, PyTorch has the backing of Facebook and broad range of partner organisations, including NVIDIA, which should ensure continuing support for CUDA architectures. ThoughtWorks teams find PyTorch useful for experimenting and developing models but still rely on TensorFlow’s performance for production-scale training and classification.
PyTorch is a complete rewrite of the Torch machine learning framework from Lua to Python. Although quite new and immature compared to Tensorflow, programmers find PyTorch much easier to work with. Because of its object-orientation and native Python implementation, models can be expressed more clearly and succinctly and debugged during execution. Although many of these frameworks have emerged recently, PyTorch has the backing of Facebook and broad range of partner organisations, including NVIDIA, which should ensure continuing support for CUDA architectures. ThoughtWorks teams find PyTorch useful for experimenting and developing models but still rely on TensorFlow’s performance for production-scale training and classification.
