sigue siendo nuestra elecci¨®n de framework para machine learning (ML). La mayor¨ªa de nuestros equipos prefieren PyTorch a TensorFlow. PyTorch expone el funcionamiento interno de ML que TensorFlow oculta, haci¨¦ndolo m¨¢s sencillo de depurar. Con gr¨¢ficos computacionales din¨¢micos, la optimizaci¨®n de modelos es mucho m¨¢s f¨¢cil en comparaci¨®n con cualquier otro framework de ML. La amplia disponibilidad de modelos de ¨²ltima generaci¨®n (, por sus siglas en ingl¨¦s) y la facilidad para implementar documentos de investigaci¨®n hacen que PyTorch destaque. Cuando se trata de ML gr¨¢fico, es un ecosistema m¨¢s maduro y nuestros equipos han tenido excelentes experiencias con ¨¦l. PyTorch tambi¨¦n ha ido cerrando las brechas en lo que respecta a la implementaci¨®n y escalado de modelos; nuestros equipos han usado con ¨¦xito, por ejemplo, para desplegar en producci¨®n 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 , y muchos equipos prefieren PyTorch sobre TensorFlow. PyTorch expone el funcionamiento interno de ML que TensorFlow oculta, haciendo que sea m¨¢s f¨¢cil depurarlo, y contiene componentes con los que la mayor¨ªa de las personas programadoras est¨¢n familiarizadas, como bucles y acciones. Los lanzamientos recientes han mejorado el desempe?o de PyTorch, y nosotros lo hemos estado usando con ¨¦xito en proyectos en producci¨®n.
is a complete rewrite of the 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.
is a complete rewrite of the 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.
