論文の概要: A Comparative Survey of PyTorch vs TensorFlow for Deep Learning: Usability, Performance, and Deployment Trade-offs
- arxiv url: http://arxiv.org/abs/2508.04035v1
- Date: Wed, 06 Aug 2025 02:55:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.511583
- Title: A Comparative Survey of PyTorch vs TensorFlow for Deep Learning: Usability, Performance, and Deployment Trade-offs
- Title（参考訳）: ディープラーニングのためのPyTorchとTensorFlowの比較調査:ユーザビリティ、パフォーマンス、デプロイメントトレードオフ
- Authors: Zakariya Ba Alawi,
- Abstract要約: 我々は、PyTorchのグラフベースのアプローチとPyTorchの動的でPython的なスタイルを対比して、各フレームワークのプログラミングパラダイムと開発者エクスペリエンスをレビューする。
我々は、最近のベンチマークや研究に基づいて、複数のタスクやデータ構造におけるモデルトレーニング速度と推論性能を比較した。
以上の結果から,両フレームワークは最先端の深層学習に高い能力を持つが,トレードオフは明らかである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a comprehensive comparative survey of TensorFlow and PyTorch, the two leading deep learning frameworks, focusing on their usability, performance, and deployment trade-offs. We review each framework's programming paradigm and developer experience, contrasting TensorFlow's graph-based (now optionally eager) approach with PyTorch's dynamic, Pythonic style. We then compare model training speeds and inference performance across multiple tasks and data regimes, drawing on recent benchmarks and studies. Deployment flexibility is examined in depth - from TensorFlow's mature ecosystem (TensorFlow Lite for mobile/embedded, TensorFlow Serving, and JavaScript support) to PyTorch's newer production tools (TorchScript compilation, ONNX export, and TorchServe). We also survey ecosystem and community support, including library integrations, industry adoption, and research trends (e.g., PyTorch's dominance in recent research publications versus TensorFlow's broader tooling in enterprise). Applications in computer vision, natural language processing, and other domains are discussed to illustrate how each framework is used in practice. Finally, we outline future directions and open challenges in deep learning framework design, such as unifying eager and graph execution, improving cross-framework interoperability, and integrating compiler optimizations (XLA, JIT) for improved speed. Our findings indicate that while both frameworks are highly capable for state-of-the-art deep learning, they exhibit distinct trade-offs: PyTorch offers simplicity and flexibility favored in research, whereas TensorFlow provides a fuller production-ready ecosystem - understanding these trade-offs is key for practitioners selecting the appropriate tool. We include charts, code snippets, and more than 20 references to academic papers and official documentation to support this comparative analysis
- Abstract（参考訳）: 本稿では、TensorFlowとPyTorchの総合的な比較調査を示す。この2つの主要なディープラーニングフレームワークは、ユーザビリティ、パフォーマンス、デプロイメントのトレードオフに焦点を当てている。
PyTorchの動的でPython的なスタイルと、TensorFlowのグラフベースの(現在はオプションで熱心な)アプローチを対比して、各フレームワークのプログラミングパラダイムと開発者エクスペリエンスをレビューする。
次に、最近のベンチマークや研究に基づいて、モデルトレーニングの速度と、複数のタスクやデータ構造における推論性能を比較します。
TensorFlowの成熟したエコシステム(モバイル/組み込み用のTensorFlow Lite、TensorFlow Serving、JavaScriptサポート)から、PyTorchの新しいプロダクションツール(TorchScriptコンパイル、ONNXエクスポート、TorchServe)まで、デプロイの柔軟性が詳細に検討されている。
また、ライブラリの統合、業界採用、研究トレンド(最近の研究出版におけるPyTorchの優位性とTensorFlowの企業における広範なツールなど)を含む、エコシステムとコミュニティのサポートも調査しています。
コンピュータビジョン、自然言語処理、その他の分野の応用について論じ、それぞれのフレームワークが実際にどのように使われているかを説明する。
最後に、ディープラーニングフレームワーク設計における今後の方向性とオープンな課題について概説する。例えば、熱意とグラフ実行の統合、クロスフレームワークの相互運用性の改善、高速化のためのコンパイラ最適化(XLA、JIT)の統合などである。
PyTorchは研究で好まれるシンプルさと柔軟性を提供しますが、TensorFlowはより完全なプロダクション対応のエコシステムを提供しています。
グラフやコードスニペット、学術論文への20以上の参照や、この比較分析をサポートする公式ドキュメントが含まれています。
関連論文リスト
- SWE-Flow: Synthesizing Software Engineering Data in a Test-Driven Manner [53.54568352375669]
テスト駆動開発(TDD)に基づく新しいデータ合成フレームワーク**SWE-Flow*を紹介します。
人為的な問題に依存する既存のソフトウェアエンジニアリングデータとは異なり、**SWE-Flow*は、単体テストから直接インクリメンタルな開発ステップを推論する。
私たちは現実のGitHubプロジェクトから16,061のトレーニングインスタンスと2,020のテストインスタンスを生成し、**SWE-Flow-Eval**ベンチマークを作成しました。
論文 参考訳（メタデータ） (2025-06-10T17:23:33Z) - Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。
Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。
要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
論文 参考訳（メタデータ） (2024-07-31T14:57:23Z) - Studying the Impact of TensorFlow and PyTorch Bindings on Machine Learning Software Quality [13.098132379075603]
C#、Rust、Python、JavaScriptのバインディングがソフトウェアの品質に与える影響について調査する。
実験により、あるモデルがひとつのバインディングでトレーニングされ、同じフレームワークの別のバインディングでの推論に使用されることが、精度を損なうことなく明らかとなった。
論文 参考訳（メタデータ） (2024-07-07T18:39:27Z) - Green AI: A Preliminary Empirical Study on Energy Consumption in DL
Models Across Different Runtime Infrastructures [56.200335252600354]
トレーニング済みのモデルを、ネイティブな開発環境とは異なる環境にデプロイするのは、一般的なプラクティスです。
これにより、インフラを含むONNXや標準フォーマットとして機能するONNXなどの交換フォーマットが導入された。
論文 参考訳（メタデータ） (2024-02-21T09:18:44Z) - TensorKrowch: Smooth integration of tensor networks in machine learning [46.0920431279359]
PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。
ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
論文 参考訳（メタデータ） (2023-06-14T15:55:19Z) - PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。
5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。
PyPOTSはPyPI、Anaconda、Dockerで利用できる。
論文 参考訳（メタデータ） (2023-05-30T07:57:05Z) - PRODIGY: Enabling In-context Learning Over Graphs [112.19056551153454]
コンテキスト内学習(In-context learning)とは、事前訓練されたモデルが、新しい多様な下流タスクに適応する能力である。
ProDIGYは,グラフ上でのコンテキスト内学習を可能にする最初の事前学習フレームワークである。
論文 参考訳（メタデータ） (2023-05-21T23:16:30Z) - Trieste: Efficiently Exploring The Depths of Black-box Functions with
TensorFlow [50.691232400959656]
Triesteは、ベイジアン最適化とアクティブラーニングのためのオープンソースのPythonパッケージである。
我々のライブラリは、シーケンシャルな意思決定ループ内で人気のあるモデルのプラグアンドプレイを可能にする。
論文 参考訳（メタデータ） (2023-02-16T17:21:49Z) - Continual Inference: A Library for Efficient Online Inference with Deep
Neural Networks in PyTorch [97.03321382630975]
Continual Inferenceは、PyTorchでContinuous Inference Networks(CIN)を実装するPythonライブラリである。
我々は、CINとその実装を包括的に紹介し、現代のディープラーニングのための複雑なモジュールを構成するためのベストプラクティスとコード例を提供します。
論文 参考訳（メタデータ） (2022-04-07T13:03:09Z) - TensorFlow ManOpt: a library for optimization on Riemannian manifolds [0.3655021726150367]
ニューラルネットワークの採用と非ユークリッドドメインでのディープラーニングは、スケーラブルで効率的な学習フレームワークの欠如によって、最近まで妨げられていた。
我々は、機械学習モデルの観点からRiemannianを最適化するPythonライブラリであるManOptを提案し、このギャップを埋めようとしている。
このライブラリはエコシステムとのシームレスな統合を目的として設計されており、研究だけでなく、プロダクション機械学習パイプラインの合理化も目標としている。
論文 参考訳（メタデータ） (2021-05-27T10:42:09Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z) - TF-Coder: Program Synthesis for Tensor Manipulations [29.46838583290554]
本稿では,プルーニングを例に,TF-Coderというプログラミングツールを提案する。
入力と出力のテンソルの特徴とタスクの自然言語記述から操作を予測するためにモデルを訓練する。
TF-Coderは、実世界のタスクのうち63を5分以内に解決する。
論文 参考訳（メタデータ） (2020-03-19T22:53:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。