PyTorch vs. Tensorflow ansioso

Google recientemente incluyó en las construcciones nocturnas de tensorflow su modo Eager , una API imprescindible para acceder a las capacidades de cálculo de tensorflow.

¿Cómo se compara el tensorflow ansioso con PyTorch?

Algunos aspectos que podrían afectar la comparación podrían ser:

• Ventajas y desventajas de ansioso debido a su legado gráfico estático (por ejemplo, nombres en nodos).
• Limitaciones intrínsecas de cualquiera de ellos que el otro no tiene.
• Áreas en las que una de ellas necesita mejoras (por ejemplo, integridad de características, optimizaciones computacionales)
• Diferencias en los ecosistemas (p. Ej., Tensorboard?).

Nota 1: Yaroslav Bulatov escribió una reseña sobre las bonitas características de eager .

Nota 2: en una pregunta anterior , solicité una comparación entre PyTorch y Tensorflow Fold. En ese momento, me pareció que Fold podría enfrentar a PyTorch gracias a que Google lo respaldaba. Me equivoqué mucho: al final, Google mismo abandonó a Fold en favor de Eager. Entiendo que esto se debió a limitaciones intrínsecas en la API normal de tensorflow que llevaron a Fold a no ser muy amigable, lo que restringió su adopción.

Una de las ventajas clave que uso mucho es que es compatible con pdb, por lo que

pdb.set_trace # To the rescue

Permite el uso de estructuras de datos de Python.

y usemos el flujo de control pitónico en lugar de usar los equivalentes tf principales.

También permite evitar problemas de metaprogramación como "carga diferida" y agregar un montón de operaciones a mi gráfico. También similitudes de autogrado