دو کتابخانه اصلی شبکه عصبی هر چیزی را میسازند که آن یکی میسازد، و همه بحثهایی که سرشان میشود، درباره دنیای اطرافشان است نه درباره خودشان. سرعتشان روی سختافزار یک دانشکده یکسان است، و همین یک سطر بیشتر بحثها را تمام میکند.
فرید صابری در یک دانشکده فنی درس یادگیری عمیق میدهد و هر ترم همین سوال را میگیرد. جوابش این است که سوال درست کدامشان نیست؛ این است که قرار است چه چیزی را کپی کنید و کجا اجرایش کنید.
دو کتابخانه، پنج سطر
مخزن یک مقاله معمولاً روی PyTorch مستقیم اجرا میشود و روی TensorFlow گاهی، بعد از یک بازنویسی. حلقه آموزش در PyTorch مال خودتان است و چهار خط دیده میشود؛ در TensorFlow هم میشود نوشتش و هم میشود به یک متد سپردش. برای رفتن روی گوشی، PyTorch یک مرحله برونبرد میخواهد و TensorFlow مسیری دارد که با خودش بزرگ شده.
دو کتابخانه شبکه
دو کتابخانه که یک چیزها را میسازند
یک مقایسه است و نه یک داوری. هر دو هر چیزی را میسازند که آن یکی میسازد، و هر سطر اینجا درباره دنیای اطراف کتابخانه است نه خود کتابخانه.
تیک نخورده چون سطر آخر درست است و همان بحثی را تمام میکند که آدمها واقعاً سرش دعوا دارند. هرچه بالای آن است درباره چیزی است که میشود خواند، نه چیزی که میشود اجرا کرد.
سطر چهارم آن است که برای یک دانشجو تعیینکننده است: چه چیزی را میشود کپی کرد. با PyTorch تقریباً هر چیزی که منتشر شده، و با TensorFlow هر چیزی که در زیستبوم خودش هست. و سطر پنجم، سرعت روی همان کارت دانشکده، برای هر دو یکسان است. تیک نخورده چون هیچ ستونی جواب نیست؛ هر پنج سطر درباره چیزی است که میشود خواند، نه چیزی که میشود اجرا کرد.
و آنچه در ایران این پنج سطر را جابهجا میکند
یک ستون ششم هست که در نسخه انگلیسی این صفحه معنا ندارد: نصب. هر دو کتابخانه از مخزنهای عمومی نصب میشوند و دسترسی به آن مخزنها همیشه مستقیم نیست. کاری که کار میکند این است که یک آینه داخلی برای بستهها تنظیم کنید و نسخهها را قفل کنید، یک بار برای کل کلاس. بدون آن، نصف جلسه اول صرف نصب میشود و هر دانشجو نسخه متفاوتی میگیرد، که یعنی هیچ دو خروجیای قابل مقایسه نیست.
زیر خط ایمپورت چه چیزی ایستاده
یک فریمورک پنج لایه است و شما فقط بالاترین را مینویسید. مدل شما بیست خط است که یک شکل را توصیف میکند. زیرش لایهها و بهینهسازها هستند، یعنی قطعههای نامداری که سرهم میکنید به جای اینکه استخراجشان کنید. زیر آن مشتقگیری خودکار است. زیر آن هستههای سختافزار، یعنی همان ضرب که برای هر تراشه یک بار نوشته شده. و ته همه، خود کارت.
زیر خط ایمپورت
یک فریمورک روی چه چیزی ایستاده
چیدهشده بر اساس اینکه چه چیزی زیر چه چیزی را گرفته. لایه وسط همان است که واقعاً میخریدش، و دوتای بالای آن راحتیاند.
- مدل شمابیست خط که یک شکل را توصیف میکندمال خودتان
- لایهها و بهینهسازهاقطعههای نامدار، سرهمکردنی نه استخراجکردنی
- مشتقگیری خودکارمشتق هر عمل، حسابشده به جای شماهمان قابلیت
- هستهها برای سختافزارهمان ضرب، یک بار برای هر تراشه نوشتهشده
- کارتساعتی اجارهشده در ساختمانی که نمیبینید، یا خریداریشده و در اتاق بغلیسختافزار
هرچه بالای لایه وسط است در هر فریمورکی هست و در یک بعدازظهر بازنوشتنی است. لایه وسط همان است که یک دهه طول کشید و دلیل این است که سهتا از اینها هست نه سیتا.
آنچه واقعاً میخرید همان لایه وسط است. هرچه بالای مشتقگیری خودکار است در همه فریمورکها هست و در یک بعدازظهر بازنوشتنی است؛ مشتقگیری خودکار همان چیزی است که یک دهه طول کشید و دلیل این است که سهتا از اینها هست نه سیتا. کسی که فریمورک را با فهرست لایههایش انتخاب میکند، دارد بالاترین و ارزانترین لایه را مقایسه میکند.
ایست: انتخاب فریمورک را با یاد گرفتن اشتباه میگیرند
کار اینجا میایستد و یک ترم را میخورد. آدمها هفتهها درباره انتخاب بحث میکنند، بعد یکی را برمیدارند و باور میکنند حالا آن را بلدند. آنچه یاد گرفته میشود نحو است و آنچه لازم است همان چهار گام حلقه آموزش است، که در هر دو یکی است. نشانهاش هم روشن است: کسی که با یک کتابخانه کار کرده و نمیتواند در کتابخانه دیگر همان حلقه را بنویسد، حلقه را یاد نگرفته، نحو را یاد گرفته.
ایست میانه راه
انتخاب فریمورک و نحو روی سطح است؛ حلقه آموزش زیر آن
هفتهها بحث درباره کتابخانه به یادگیری نحو ختم میشود، در حالی که مهارت واقعی همان چهار گام مشترک آموزش است.
- انتخاب میان کتابخانههابحثهای چند هفتهای که یک ترم را میخورد
- یادگیری نحو و نام متدهاحفظ کردن شکل کد در یک کتابخانه خاص
- چهار گام حلقه آموزشساختار یکسان در PyTorch و TensorFlow
- بازنویسی در کتابخانه دیگرنشانه روشن اینکه حلقه را یاد گرفتهاید، نه فقط نحو را
کسی که نتواند همان حلقه آموزش را در کتابخانه دوم بنویسد، هنوز فقط نحو کتابخانه اول را میداند.
و برای جدولها، هیچکدام اینها نیست
scikit-learn از ۲۰۲۶ جای برداشتن یک کتابخانه شبکه برای یک جدول دههزارسطری را گرفته است: همان رابط برای دهها روش کلاسیک، بدون کارت گرافیک و بدون حلقه آموزش. رایگان و متنباز است. بیشتر کارهایی که در کلاس فرید با شبکه شروع میشوند، اینجا در سی خط تمام میشوند.
خارج از دو کتابخانه عصبی
scikit-learn برای جدولها و uv برای یکی بودن محیط کلاس
بیشتر کارهای دانشکده با جدولها پیش میروند و مشکل اولشان شبکه عصبی نیست؛ ابزار درست و قفل نسخه است.
- scikit-learn برای داده جدولییک رابط برای دهها روش کلاسیک بدون کارت گرافیک؛ کار روی جدولهای دههزارسطری در سی خط تمام میشود
- uv برای قفل کردن محیطیک پرونده قفل و نصبی یکسان روی هر ماشین؛ تنها ابزار این صفحه که هم به دانشجو و هم به دانشکده سود میرساند
رایگان و متنباز (۲۰۲۶)؛ قابل استفاده همراه با آینه داخلی بستهها
قفل کردن محیط با آینه داخلی جلوی هدر رفتن نصف جلسه اول برای نصب و ناسازگاری خروجیها را میگیرد.
و برای اینکه محیط دو نفر یکی باشد، uv از ۲۰۲۶ جای نصب کردن با دست و امید داشتن به یکی بودن نسخهها را گرفته: یک پرونده قفل، یک محیط، و نصبی که روی هر ماشین همان چیز را میآورد. رایگان و متنباز است و با آینه داخلی هم کار میکند. این تنها ابزار این صفحه است که هم به دانشجو و هم به دانشکده سود میرساند.
سه کتابخانه، سه صفحه
پایتورچ ستون چپ این مقایسه است و همان چیزی که کد مقالهها در آن نوشته میشود. تنسورفلو ستون راست است، با مسیر استقراری که با خودش بزرگ شده. و سایکیتلرن اصلاً در این مقایسه نیست، چون کار دیگری میکند و برای بیشتر جدولها همان کار درست است. هر سه زیر مدلهایی که از داده یاد گرفته میشوند، نه با دست نوشته مینشینند.
نقشه انتخاب و مسیر بعدی
سه کتابخانه، سه صفحه همسایه و پرسش مشتقگیری مستقیم
هر سه کتابخانه زیر چتر مدلهای یادگیرنده از داده قرار میگیرند، اما جای درست هرکدام با هم فرق دارد.
- سه کتابخانه و جایشانستونهای متفاوت برای کارهای متفاوت
- PyTorch: ستون چپ مقایسه و کد مقالهها
- TensorFlow: ستون راست و مسیر استقرار
- scikit-learn: کار درست برای بیشتر جدولها
- سوال بعدیمشتقگیری خودکار بدون پوسته
- کسانی که مستقیم از هسته مشتقگیری استفاده میکنند چه مینویسند
- سه همسایه در همین شاخهصفحاتی که ادامه این موضوعاند
- چهار گام مشترک در لایههای وزن و آموزش
- روشهایی که روی داده جدولی هنوز برندهاند
- لایه زیرین در محیط واقعی بعد از نوتبوک
اگر مشتقگیری خودکار همان چیزی است که واقعاً خریده میشود، استفاده مستقیم از آن کدی میسازد که شبیه هیچکدام از این دو کتابخانه نیست.
سه همسایه دارد. آن چهار گامی که در هر دو کتابخانه یکی است، در لایههای وزن، و آنچه آموزش تنظیمش میکند باز شده. اینکه چرا برای یک جدول اصلاً سراغ شبکه نروید، در روشهایی که روی داده جدولی هنوز برندهاند با عدد نشان داده شده. و آنچه بعد از نوتبوک میآید، یعنی همان لایههای زیرین در محیط واقعی، آن بخشی که بعد از نوتبوک میآید است.
سوال بعدی این است: اگر مشتقگیری خودکار همان چیزی است که خریده میشود، چرا کسی مستقیم از آن استفاده نمیکند. جوابش این است که بعضیها میکنند، و آن کد شبیه هیچکدام از این دو کتابخانه نیست.