[PyTorch] . Tensorflow(텐서플로) PyTorch(파이토치) 차이점 비교

딥러닝 튜토리얼에 등장하는 FashionMNIST 데이터 셋을 통해서
Tensorflow.Keras 와 PyTorch 모델링의 차이점을 정리해 보았습니다.

모델 정의

* 이해를 돕기 위해 subclass 형식으로 모델을 정의하였습니다.

Tensorflow.Keras

tf.debugging.set_log_device_placement(True)

class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel,self).__init__()
        
        self.flatten = tf.keras.layers.Flatten(input_shape=(28,28))
        self.fc1 = tf.keras.layers.Dense(512,activation='relu')
        self.dropout = tf.keras.layers.Dropout(0.2)
        self.fc2 = tf.keras.layers.Dense(10, activation='softmax')
        
    def call(self,inputs):
        x = self.flatten(inputs)
        x = self.fc1(x)
        x = self.dropout(x)
        x = self.fc2(x)
        return x
        
model = MyModel()

PyTorch

# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"

# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)

모델 정의 시 차이점을 비교해 보겠습니다.

	GPU 할당	상속 클래스	fully connected layer	순방향 계산 함수명	모델 인스턴스 할당
PyTorch	cuda.is_available()	nn.Module	nn.Linear	call()	model.to(device)
Tensorflow	자동	keras.Model	keras.layers.Dense	forward()	model()

*Tensorflow는 tf.debugging.set_log_device_placement(True) 코드를 통해서
어디에 할당되어있는지를 확인할 수 있습니다.

PyTorch는 GPU 탑재 여부를 담은 변수 device를 모델 객체에 할당할 때 포함시킵니다.
model = NeuralNetwork().to(device)

---

모델 컴파일

Tensorflow.keras

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

PyTorch

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

Tensorflow는 정의한 모델 객체의 complile 메서드를 통해서 optimizer , loss function , metrics를 정의합니다.
PyTorch는 optimizer , loss function 변수에 저장하고 학습 함수에서 직접 사용합니다.(뒤에 설명)

---

모델 학습

Tensorflow.keras

model.fit(train_images, train_labels, epochs=5)

PyTorch

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")
         
def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
    
epochs = 5
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model, loss_fn)
print("Done!")

차이점은 모델 학습 부분에서 가장 큰 차이를 보입니다.

tensorflow 는 fit() 함수로 간단하게 학습을 사용할 수 있습니다.

반면에 PyTorch는 함수 속 for 문을 정의하여 모델 학습(train)과 검증(test) 코드를 구현해야 합니다.
PyTorch가 구현하기 어렵지만 더욱더 직관적이고 학습하기 용이합니다.

optimizer.zero_grad() : Gradient를 초기화합니다.
loss.backward() : Loss를 기준으로 Gradient를 저장합니다.
optimizer.step() : 파라미터(weight) 업데이트.

참고 : https://algopoolja.tistory.com/55

실제 학습과정이 머릿속에 그려짐 but 복잡함.

물론 tensorflow 의 keras처럼 pytorch_lightning이 등장하여 쉽게 구현할 수도 있습니다.
하지만 딥러닝의 과정을 공부하기에는 Torch를 사용하고 익숙해지는 것이 더 도움이 될 것 같습니다.

어려운 것을 알고 쉬운 것을 하는 건 문제가 되지않지만.
쉬운 것을 먼저하면 어려운 것을 할때 문제가 됩니다.