Здравствуйте, Chorkov, Вы писали

C>Оператор @ — это обычные питоновские обертки вокруг функций и классов (декораторы).

Спасибо за разъяснение.

C>Так что переписывать TensorFlow на Taichi — безперспективно. Основное назначение — сделать видеокарту более доступной "обычным" пользователям питона, например, физикам.

Перспективы могут быть. Сейчас отличие PyTorch от Tensorflow как раз в том, что код с. PyTorch пишется на Питоне, как на основном языке. Ну и за счёт использования всяких numpy и других библиотек, код работает быстрее. Поэтому он вырвался вперёд по популярности среди исследователей: все новые сущности пишутся на языке, на котором написан сам фреймворк, его легко и просто расширять.
TensorFlow наоборот, написан на плюсах, а для Питона сделаны биндинги. Поэтому код на TensorFlow легко пускать в продакшен на все платформы, где есть фреймворк, работает быстро. Но делать что-то новое на нем становиться труднее, кода получается много и он громоздкий.
PyTorch для решения своей проблемы сделал возможность заворачивать Питоновский код в бинарник, но это костыль. Tensorflow сделал свой костыль — ин егрировал в себя Питоновский Keras.
Далее TensorFlow начал новый экспериментальный проект Swift for TensorFlow, где код будет писаться на статический типизированном, компилируемом языке с автоматическим дифференциррванием, который будет основным языком фреймворка. Это отличный подход с одним минусом — комьюнити уже подсел на Питон. Вспомним Caffe, который быстрый, на плюсах и умер. Вспомним, что Torch на lua тоже умер. Theano умер. MxNet непонятно живой или нет.
Это я так плавно подвёл к тому, что Taichi может стать очередным костылем, причём успешным в этой эволюции. Он сочетает в себе и скорость, и дифференцируемость, и не самый удачный, но всеми любимый Питон.

Здравствуйте, Chorkov, Вы писали

C>Оператор @ — это обычные питоновские обертки вокруг функций и классов (декораторы).

Спасибо за разъяснение.

C>Так что переписывать TensorFlow на Taichi — безперспективно. Основное назначение — сделать видеокарту более доступной "обычным" пользователям питона, например, физикам.

Перспективы могут быть. Сейчас отличие PyTorch от Tensorflow как раз в том, что код для PyTorch пишется на Питоне, как на основном языке. Ну и за счёт использования всяких numpy и других библиотек, код работает быстрее. Поэтому PyTorch вырвался вперёд по популярности среди исследователей: все новые сущности пишутся на языке, на котором написан сам фреймворк, его легко и просто расширять.
TensorFlow наоборот, написан на плюсах, а для Питона сделаны биндинги. Поэтому код на TensorFlow легко пускать в продакшен на все платформы, где есть фреймворк, работает быстро. Но делать что-то новое на нем становится труднее, кода получается много и он громоздкий.
PyTorch для решения своей проблемы сделал возможность заворачивать питоновский код в бинарник, но это костыль. Tensorflow сделал свой костыль — интегрировал в себя питоновский Keras.
Далее TensorFlow начал новый экспериментальный проект Swift for TensorFlow, где код будет писаться на статически типизированном, компилируемом языке с автоматическим дифференциррванием, который будет основным языком фреймворка. Это отличный подход с одним минусом — комьюнити уже подсело на Питон. Вспомним Caffe, который быстрый, на плюсах и умер. Вспомним, что Torch на lua тоже умер. Theano умер. MxNet непонятно живой или нет.
Это я так плавно подвёл к тому, что Taichi может стать очередным костылем, причём успешным в этой эволюции. Он сочетает в себе и скорость, и дифференцируемость, и не самый удачный, но всеми любимый Питон.