AI를 공부하거나 프로젝트를 진행할 때 가장 많이 사용하는 프레임워크는 TensorFlow와 PyTorch다.
TensorFlow는 Google이 개발한 대표적인 딥러닝 라이브러리로, 산업과 기업 환경에서 많이 사용된다. 반면, PyTorch는 Meta(Facebook)가 만든 프레임워크로, 연구와 실험에 최적화되어 있어 최근 연구자들과 학생들 사이에서 인기가 많다.
예전에는 TensorFlow가 AI 개발과 연구에 주로 사용되었지만 최근 논문이나 다른 AI 개발자들을 보면 대부분 PyTorch를 사용하고 있다는 것을 알 수 있다.
이 글에서는 왜 PyTorch가 TensorFlow 보다 인기가 많은지 이유를 알아보려고 한다.
1. 자동 미분 기능 (Autograd)
이 기능은 딥러닝을 할 때 가장 중요한 기능이다.
딥러닝 중 역전파 과정 때 각 계산을 미분한 값을 통해 가중치를 얼마나 조정할지 결정하게 되는데
PyTorch는 자동으로 아래 그림과 같은 미분 그래프를 만들고 계산해준다.
2. 디버깅이 쉽다
PyTorch는 TensorFlow와 다르게 Python 문법인 print()로 디버깅이 가능하다.
# PyTorch: 디버깅이 쉬움
import torch
a = torch.randn(3, 3)
print(a) # 바로 출력 가능# TensorFlow: 그래프 실행 후 확인해야 했음 (TF 1.x 기준)
import tensorflow as tf
a = tf.random.normal((3, 3))
with tf.Session() as sess:
print(sess.run(a)) # 실행 후 결과 확인
3. 학습이 직관적이다
PyTorch는 TensorFlow와 다르게 그냥 Python 처럼 작성이 가능하여 코드가 직관적이다.
import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(None, 3))
w = tf.Variable(tf.random.normal((3, 2)))
y = tf.matmul(x, w)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
output = sess.run(y, feed_dict={x: [[1, 2, 3]]})
print(output)import torch
x = torch.randn(3, 3)
w = torch.randn(3, 2)
y = x @ w # 행렬 곱셈 (matmul)
print(y)
위 예시는 두 행렬을 행렬곱을 한 후 결과를 디버깅하는 코드이다.
보이는 것과 같이 PyTorch가 훨씬 간결하고 직관적인 모습을 보인다.
이번 글에서는 왜 PyTorch가 TensorFlow 보다 인기있는지를 알아보았다.
최근들어 PyTorch가 연구 커뮤니티뿐만 아니라 산업에서도 점점 더 많이 채택되고 있으며, 대부분의 최신 AI 논문과 오픈소스 프로젝트도 PyTorch 기반으로 제공된다.
이러한 이유 때문에 필자는 AI 개발 및 연구 시에 PyTorch 사용을 적극적으로 권장한다.