PyTorch vs. Tensorflow Fold

Sia PyTorch che Tensorflow Fold sono framework di apprendimento profondo intesi a gestire situazioni in cui i dati di input hanno lunghezza o dimensioni non uniformi (ovvero situazioni in cui i grafici dinamici sono utili o necessari).

Mi piacerebbe sapere come si confrontano, nel senso di paradigmi su cui si basano (ad esempio il batch dinamico) e le loro implicazioni, cose che non possono / non possono essere implementate in ognuna, debolezze / punti di forza, ecc.

Ho intenzione di utilizzare queste informazioni per sceglierne una per iniziare a esplorare i grafici di calcolo dinamico, ma non ho in mente alcun compito specifico.

Nota 1: anche altri framework di grafici di calcolo dinamico come DyNet o Chainer sono i benvenuti nel confronto, ma mi piacerebbe concentrarmi su PyTorch e Tensorflow Fold perché penso che siano / saranno i più utilizzati.

Nota 2: Ho trovato questo thread di hackernews su PyTorch con alcune informazioni sparse, ma non molto.

Nota 3: un altro thread pertinente di hackernews , su Tensorflow Fold, che contiene alcune informazioni sul loro confronto.

Nota 4: thread Reddit rilevante .

Nota 5: bug rilevante nel github di Tensorflow Fold che identifica una limitazione importante: l'impossibilità di eseguire la ramificazione condizionale durante la valutazione.

Nota 6: discussione sul forum Pytorch sugli input di lunghezza variabile in relazione agli algoritmi utilizzati (ad es. Batch dinamico).

Ci sono un paio di buoni thread su Reddit in questo momento ( qui e qui ).

Non ho usato nessuno di questi framework, ma leggendo e parlando con gli utenti, raccolgo che il supporto per i grafici dinamici in PyTorch è un "principio di progettazione top down", mentre TensorFlow Fold è fissato al framework Tensorflow originale, quindi se stai facendo qualcosa di ragionevolmente complicato con Tensorflow Fold probabilmente finirai per fare molto più hacking che se usi PyTorch .