PyTorch 体验感悟

本文比较了Pytorch与Tensorflow在张量传递、模型架构、参数传递方式上的区别,Pytorch强调灵活性与所见即所得,而Tensorflow注重封装与工业化标准。讨论了各自的设计理念及其优劣,以及Pytorch在模型定制上的优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

首先,它的张量传递确实更灵活、可以自由变形。这点tensorflow1.0哪怕借用了Keras,也不能随意调换(如Batch)

然后说一下Pytorch的特点:

  1. 在模型架构上,虽然两者都有许多共同的函数方法:Conv2D, Sequential, Batchnorm1d, Flatten, Relu, Softmax。前者在nn.LSTM,后者在keras.models。用法也大同小异,但是在传递参数上需要指定输入维度,而tensorflow仅告诉输出维度就行。看似小的不同,却能反映出设计理念上的差异:在都带给人方便的前提下,Pytorch是注重灵活,每一层设定好(input_channel, out_channel, kernel, stride, padding)各个参数,使得一切是按照模型定义搭建;而tensorflow则是作为工业化标准,更为强调封装,一些能省的参数(即可以自行计算出的:比如input_channel)就无需提供,整个模型作为图流动起来。
  2. 那么这种设计会带来什么好处呢?可以说,Pytorch实现了模型定义的所见即所得想设计成什么样就可以实现成什么样。只要你能够把思路理清楚,把代码敲出来。因为它除了定义好接口之外,所有的调用、训练与测试都是你说了算,也就是每一步都需要自行编码实现:包括优化器的定义与监控,并根据选取的Epoch进行迭代,各种集合的划分(训练、验证、测试)。是不是一切尽在掌控^_^
  3. 正是理念的缘故,当初我想找一个Dense,结果发现网上根本没有tensorflow版;可以自己实现的代码有,但库里不带。觉得奇怪怎么会没有呢?原来是因为这种风格,请指定dense(第一维,第二维)。其实与卷积需要指定输入通道,批正则需要指定作用维度是一个道理。而对于Tensorflow,它的封装非常的好基本上调用个model.fit(X, y)就能行,里面包含了各种可视化与调控工具。构建模型有函数式和类型实例化两种,而Pytorch主要就是通过类去进行构建。

好了,说了这么多,个人认为Pytorch赋予了按照自己的思路去组建模型的能力,想要快速上手去面向对象,就可以尝试,祝使用顺利:D

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值