Studying the Impact of TensorFlow and PyTorch Bindings on Machine Learning Software Quality

本文研究了在C＃、Rust、Python和JavaScript中使用TensorFlow和PyTorch绑定对软件质量的影响，包括正确性（训练和测试准确度）和时间成本（训练和推理时间），当使用与框架的默认语言（通常为Python）不同的编程语言来集成框架功能时。我们使用五个广泛使用的深度学习模型进行了实验，结果显示，可以在一个绑定中训练模型，并在另一个绑定中进行推理，而不会失去准确性。本研究是第一个表明，与默认的Python绑定相比，使用非默认绑定可以从时间成本的角度提高机器学习软件质量，同时仍然实现相同的正确性水平。

本论文旨在研究在不同编程语言下使用TensorFlow和PyTorch绑定对机器学习软件质量的影响，包括正确性和时间成本。

本论文通过实验发现，使用非默认的绑定可以在不影响正确性的前提下，从时间成本的角度提高机器学习软件的质量。

实验使用了五个广泛使用的深度学习模型，并展示了在不同绑定下的训练和推理时间成本和正确性。同时，论文还发现可以在一个绑定中训练模型，在另一个绑定中进行推理而不影响正确性。此外，论文还开源了实验代码。

在相关研究方面，本论文介绍了一些使用不同编程语言进行机器学习的研究，如使用Java进行深度学习等。