Der aktuelle Stand der Machine-Learning-Frameworks [2019]

Vergleicht man die Nutzung in Konferenzpapieren, wird PyTorch deutlich häufiger verwendet als TensorFlow.

Warum bevorzugen Forschende eher PyTorch?

• Simplicity: ähnlich wie numpy, Python-typisch und gut mit dem übrigen Python-Ökosystem integriert

• Great API: eine gut entworfene API. Bei TensorFlow hat sich die API immer wieder verändert.

• Performance: Es gibt viele Berichte, dass PyTorch überraschenderweise schneller als TensorFlow ist. Das ist nicht abschließend gesichert, aber TensorFlow scheint nicht überragend schneller zu sein.

Für Forschende ist PyTorch im Vorteil.

Auf dem Markt liegt jedoch weiterhin TensorFlow vorn.

Auf Production-Niveau scheint PyTorch noch einige offene Punkte lösen zu müssen.

Es findet eine Konvergenz der Frameworks statt

• PyTorch hat den JIT-Compiler und TorchScript vorgestellt

• Der Eager-Execution-Modus von TensorFlow 2.0