За да улесни прехода, библиотеката pytorch-pfn-extras включва няколко популярни функции на Chainer и:

Extensions and reporter
Функции, често използвани при прилагане на програми за deep leaning, като събиране на показатели по време на обучение и визуализиране на напредъка на обучението

Automatic inference of parameter sizes
По-лесни дефиниции на мрежата чрез автоматично извеждане на размерите на параметрите в лейър чрез входни размери

Distributed snapshots
Намалете разходите за внедряване на разпределен deep learning с автоматизирано архивиране, зареждане и управление на снапшотове

PFN също предоставя на потребителите Chainer към PyTorch ръководство за миграция.

Японският производител на автомобили Toyota работи в тясно сътрудничество с Preferred Network от основаването си през 2014 г. и вложи повече от 11 милиарда йени в задълбоченото учене, роботизация и R&D със самостоятелно управление. Последваха ги много други.

Съзряването на дълбоките рамки за обучение през последните години е причината, поради която предпочитаните мрежи взеха това решение. Вместо да прави малки корекции, за да се разграничи от конкурентите, компанията е по-заинтересована да си сътрудничи с участниците в общността на PyTorch като Facebook за осигуряване на устойчив растеж и здравословна екосистема.

Този ход е най-новата печалба за разработения от Facebook PyTorch в продължаващото му състезание с TensorFlow на Google. PyTorch показа огромен ръст сред изследователите за машинно обучение през тази година, като 69% от CVPR документи, 75 +% от NAACL и ACL документи и 50+% от ICLR и ICML документи го използват. Консенсусът е, че изследователите предпочитат простотата, страхотния API и производителността на PyTorch. Tensorflow обаче все още доминира на индустриалния пазар и има лоялна база в Google/DeepMind.

Тази година фрейуърците на Google и Facebook с отворен код въведоха quantization, за да увеличат скоростта на обучение на модела. В следващите години създателят на PyTorch Сумит Чинтала очаква „експлозия“ във важността и приемането на инструменти като JIT компилатора на PyTorch и хардуерните ускорители на невронната мрежа като Glow.

PyTorch очевидно е рамка за възхода, но е рано да се спекулира дали или кога може да се превърне във виртуален монопол.