PyTorch se tornou o produto mais quente da ciência de dados
Construir reputação diante da popularidade desenfreada do Python parece ter sido uma boa ideia para o PyTorch, estrutura de machine learning de código aberto nascida no Facebook. Quão boa é uma ideia, no entanto, poucas pessoas poderiam ter adivinhado. Não importa quantas coisas você faz certo ao iniciar um projeto de código aberto (ótimos documentos, sólida base técnica, etc.), sempre há um pouco de sorte no sucesso.
Leia mais na IT Trends
Bem, considere o PyTorch com sorte, então. Ou abençoado. Ou alguma coisa. Porque está crescendo e, se acreditar no analista Thomas Dinsmore, “até o final de [2020], o PyTorch terá contribuidores mais ativos que o TensorFlow”. Maior comunidade e mais adoção? Esse é um grande salto para um rival do TensorFlow, há muito considerado o padrão do setor desde seu lançamento público em 2015.
Conforme detalhado no OpenHub, o TensorFlow e o PyTorch estão funcionando de forma emparelhada em termos de totais de contribuintes em 12 meses: TensorFlow (906) e PyTorch (900). Isso representa um enorme progresso da comunidade PyTorch, dado o avanço do TensorFlow. A análise de Jeff Hale sobre vagas empregos para funções de cientista de dados reflete bem o cenário:
Para deixar claro, essa análise reflete um crescimento ou declínio relativo no ano passado. A comunidade de usuários do TensorFlow ainda é muito maior do que a do PyTorch, embora nos relatórios o PyTorch tenha passado de um número mínimo para uma base esmagadora quase da noite para o dia. Considerando tudo isso, não é difícil ver o PyTorch rapidamente se equiparando ao concorrente.
Como Serdar Yegulalp escreveu em 2017 no lançamento do PyTorch, “a vantagem principal do PyTorch é que ele vive e permite que o desenvolvedor se conecte ao vasto ecossistema de bibliotecas e software Python. Os programadores Python também são incentivados a usar os estilos com os quais estão familiarizados”. Isso significa que o PyTorch sempre teve a vantagem da acessibilidade. A documentação é excelente e há uma comunidade saudável de desenvolvedores felizes em ajudar.
Essa vantagem é ainda mais acentuada pela configuração dos gráficos computacionais do PyTorch. Com um modelo dinâmico, o sistema permite que os cientistas de dados vejam cada cálculo e saibam exatamente o que está acontecendo.
Para ter certeza, com o lançamento do TensorFlow 2.0, o Google tornou o TensorFlow mais fácil de ser utilizado, o que permite melhor competição com o PyTorch. No entanto, o modo TensorFlow Eager sofre com problemas de desempenho, embora esperemos que eles melhorem com o tempo.
Em suma, enquanto o mercado ainda se apoia fortemente no TensorFlow, a abordagem simples e direta de aprender do PyTorch, que se vincula à linguagem de programação mais popular do mundo para ciência de dados, está se mostrando vencedora. Embora a academia tenha sido mais rápida em adotar o PyTorch, devemos esperar uma adoção cada vez maior no conjunto empresarial.
