当前位置:   article > 正文

PyTorch vs TensorFlow:谁拥有更多预训练深度学习模型?

PyTorch vs TensorFlow:谁拥有更多预训练深度学习模型?

众所周知,访问预先训练的深度学习模型对于当代深度学习应用至关重要。随着最先进的模型变得越来越大,达到数万亿个参数,在许多领域,尤其是自动语音识别等领域,从头开始训练高级模型不再有意义。

鉴于预训练深度学习模型的重要性,哪个深度学习框架(PyTorch TensorFlow)为用户提供更多此类模型是一个需要回答的重要问题。

在本文中,我们将定量地探讨这个主题,以便您可以随时了解深度学习领域的当前状态。

为什么预训练的深度学习模型很重要?

特别是对于自然语言处理等复杂的应用程序,模型的大小和复杂性阻碍了工程和优化过程,从头开始构建最先进的 (SOTA) 模型的能力对于大多数人来说都是不可能完成的任务。

OpenAI 的范式转变 GPT-3 拥有超过 1750 亿个参数;如果这还不够,它的后继者GPT-4 的参数大几个数量级, GPT-4 拥有超过 100 万亿个参数。

由于这种模型的增长,小型企业在其工作流程中只能依赖于预先训练的深度学习模型,用于直接开箱即用的推理、微调或迁移学习。

在模型可用性方面,PyTorch TensorFlow 存在巨大的不同。 本文将定量研究这两个深度学习框架的模型可用性,以了解它们的比较情况。

HuggingFace的统计结果

HuggingFace的迅速崛起表明了对预训练深度学习模型的需求,该公司最近在 B 轮融资中筹集了4000 万美元 HuggingFace 的流行和快速增长可归因于其易用性,只需几行代码即可访问 SOTA 模型。

当我们按框架(PyTorch TensorFlow)对 HuggingFace 上的总深度学习模型和顶级深度学习模型的数量进行细分时,我们开始看到一种趋势,该趋势将在后文中持续讨论。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小蓝xlanll/article/detail/96119
推荐阅读
相关标签
  

闽ICP备14008679号