Is PyTorch good for beginners in 2025?

Yes. PyTorch’s eager execution, Pythonic API, and strong documentation make it beginner-friendly while still scaling to production. Start with small models, then use torch.compile for speed.

PyTorch vs TensorFlow: which is faster now?

They’re both highly optimized, with wins depending on model, kernels, and setup. In 2025, tuning mixed precision, batch size, and serving stack often matters more than the framework choice.

How do I deploy a PyTorch model to production?

Use TorchServe for native serving or export to ONNX Runtime for cross-platform acceleration. For LLMs, try specialized servers like vLLM to maximize throughput and minimize GPU waste.

Does PyTorch support Apple silicon and AMD GPUs?

Yes. PyTorch supports Apple’s MPS backend for macOS and ROCm for AMD GPUs, in addition to NVIDIA CUDA. Performance varies by model and kernel coverage, so benchmark your workloads.

What’s new in PyTorch 2.x compared to earlier versions?

PyTorch 2.x adds torch.compile with TorchInductor for significant speedups without losing the eager development experience. It also improves distributed training and export/quantization pathways.

PyTorch अजूनही सर्वोत्तम डीप लर्निंग फ्रेमवर्क आहे का? 2025 चा आढावा

परिचय: संशोधकांना आवडलेल्या फ्रेमवर्कची कहाणी—आणि पुढील काय आहे जर तुम्ही गेल्या काही वर्षांत मॉडेल प्रशिक्षित केले असेल, तर कदाचित तुम्ही PyTorch वापरला असाल. त्याची Python-प्रथम रचना आणि तत्पर कार्यान्वयनामुळे तो संशोधनासाठी डी फॅक्टो मानक झाला. पण 2025 मध्ये उत्पादन गरजा, मल्टि-बॅकएंड अ‍ॅक्सेलरेशन आणि मॉडेल सर्व्हिंग झपाट्याने बदलत आहेत, त्यामुळे एक प्रश्न पडतो: PyTorch अजूनही सध्याचा सर्वोत्तम डीप लर्निंग फ्रेमवर्क आहे का? या PyTorch पुनरावलोकनात, आम्ही त्याची वापरयोग्यता, कार्यक्षमता, इकोसिस्टमची ताकद, उत्पादन प्रगल्भता आणि वास्तविक-प्रपंचातील जुळवून घेण्याची क्षमता यांचे मूल्यमापन करू—सक्रिय प्रोटोटायप्सपासून ते उत्पादनातील विस्तृत अन्वेषणापर्यंत.

2025 मध्ये विकसक अजूनही PyTorch का निवडतात

प्राकृतिक Pythonic अनुभव: PyTorch चे डायनॅमिक कम्प्युटेशन ग्राफ आणि सहज समजणारी API संशोधन आणि जलद पुनरावृत्ती साठी आदर्श आहेत. हे अजूनही स्थिर-ग्राफ मानसिक मॉडेल्सवर मोठे फायदे देते.

संशोधन-प्रथम डीएनए आणि उत्पादनाची तयारी: संशोधनातून सुरू झालेले आता वितरित प्रशिक्षण, क्वांटायझेशन आणि सर्व्हरलेस-शैलीच्या अन्वेषणासाठी मजबूत साधने आहेत.

विस्तृत हार्डवेअर कव्हरेज: CUDA, ROCm, आणि Apple सिलिकॉनसाठी MPS यांनी क्रॉस-वेंडर अ‍ॅक्सेलरेशनला विश्वसनीय समर्थन दिले आहे—जो 2025 च्या मिश्रित कंम्प्युट लँडस्केपमध्ये अत्यंत आवश्यक आहे.

समृद्ध, मॉड्युलर इकोसिस्टम: TorchVision, TorchAudio, आणि TorchText अजूनही मुख्य आधारस्तंभ आहेत, तर Lightning, Accelerate, आणि FSDP/DDP सारखे प्रशिक्षण अ‍ॅक्सेलरेटर संघांना जलद गती देतात.

हूक: एक धाडसी दावा जो तपासण्यासारखा आहे 2024–2025 च्या सर्व्हेमध्ये वारंवार ऐकायला मिळाले: PyTorch आणि TensorFlow दोन्ही अत्यंत ऑप्टिमाइझ्ड आहेत, ज्यात प्रदर्शन मॉडल आणि सेटअपवर अवलंबून बदलते. फरक प्रामुख्याने विकसकांच्या गती आणि वापराच्या प्रकरणांभोवतीच्या इकोसिस्टमवर आहे, एखादा सार्वत्रिक स्पीड खिताब नाही.

या पुनरावलोकनाची रचना

PyTorch 2.x मध्ये काय नवीन आणि लक्षणीय आहे

कार्यकारिणी फक्त कागदावर नव्हे, प्रत्यक्षात कशी आहे

मोठ्या प्रमाणात प्रशिक्षण: वितरण, मिक्स्ड प्रिसिजन, मेमरी कार्यक्षमता

मॉडेल ऑप्टिमायझेशन: संकलन, क्वांटायझेशन, प्रूनिंग, डिस्टिलेशन

परिनियोजन पर्याय: TorchServe, ONNX, vLLM, ExecuTorch, मोबाइल/एज

इकोसिस्टम, समुदाय, आणि शासन

कुठे PyTorch खास आहे—आणि कुठे काहीतरी वेगळे निवडावे

PyTorch 2.x मधील नवीन गोष्ट: “PyTorch फील” न सोडता संकलन प्रथम PyTorch 2.x चा मुख्य मुद्दा म्हणजे तत्पर विकास अनुभव न गमावता संकलन. torch.compile TorchDynamo आणि TorchInductor सारख्या तंत्रज्ञानांवर आधारलेले आहे, जे तुमचा मॉडेल पकडून ऑप्टिमाइझ करते, बहुधा कोणत्याही कोड बदलाविना वेगवान बनवते. ज्यांनी पूर्वी ग्राफ-ओन्ली फ्रेमवर्कने त्रास पाहिला आहे, त्यांच्यासाठी हा मध्यम मार्ग स्वागतार्ह आहे.

2.x युगातील मुख्य वैशिष्ट्ये

torch.compile: बऱ्याच मॉडेलसाठी किमान बदल करून कार्यक्षमता वाढवण्याचे साधन.

TorchInductor: GPU आणि CPU लक्षात घेऊन ऑप्टिमाइझ्ड कर्नल कोड निर्माण करणारा बॅकएंड.

उत्तम वितरित प्रिमिटिव्ह्स: FSDP (पूर्णपणे शार्डेड डेटा पॅरलल), DDP सुधारणा, आणि पाईपलाइन/टेंसर पॅरलल एकत्रीकरण.

क्वांटायझेशन आणि एक्सपोर्ट: ONNX आणि एज रनटाइमसाठी अधिक प्रगल्भ मार्ग.

महत्त्व का: तुम्ही तत्पर मोडमध्ये शोधू शकता, नंतर वेगासाठी संकलित करू शकता—कोड पुन्हा लिहिण्याची गरज नाही. हा संतुलन PyTorch चा शिकण्याचा वक्र सौम्य ठेवतो आणि उत्पादन-गुणवत्तेच्या कार्यक्षमतेकडे मार्ग दाखवतो.

कार्यप्रदर्शन: 2025 मध्ये खरी प्रतिमा समुदायातील बेंचमार्कदाखल अनेक वेळा दाखवतात की PyTorch आणि TensorFlow जवळपास समान आहेत, ज्यात कधीकधी कर्नल्स, ग्राफ कॅप्चर यश, आणि वेंडर टूलचेनवर अवलंबून बाजू बदलते. 2024–2025 ची एकमत: दोन्ही जलद आहेत, आणि कॉन्फिगरेशन ब्रँड निष्ठेपेक्षा जास्त महत्त्वाची आहे. व्यवहारात:

ट्रान्सफॉर्मर-भारित कार्यांसाठी: torch.compile आणि फ्युज्ड कर्नल्स सुमारे दहा टक्के किंवा अधिक वेगवान होऊ शकतात, कोड बदल कमी करून.

NVIDIA GPU वर: CUDA स्टॅकची प्रगल्भता PyTorch ला स्पर्धात्मक ठेवते.

AMD GPU वर: ROCm ची मदत वाढली असून PyTorch पर्यायी हार्डवेअरसाठी व्यवहार्य मार्ग आहे.

Apple सिलिकॉनवर: MPS प्रगल्भ झाला आहे; परफेक्ट समतेसह नाही, पण स्थानिक विकास आणि मध्यम-आकाराच्या प्रशिक्षणासाठी आश्चर्यकारकपणे सक्षम आहे.

जर तुम्ही शेवटचा टप्पा कार्यप्रदर्शन पाहत असाल तर फ्रेमवर्क लेबलच्या पलीकडे पाहा आणि हे लक्षात ठेवा:

कर्नल फ्युजन आणि ऑपरेटर कव्हरेज

मिक्स्ड प्रिसिजन (AMP/bfloat16) बरोबरी

मेमरी-कमी लक्ष केंद्रित आणि अ‍ॅक्टिव्हेशन चेकपॉइंटिंग

प्रॉफाइल-चालित ट्यूनिंग, ज्यात बॅच साइज आणि संकलन सेटिंग्ज समाविष्ट आहेत

मोठ्या प्रमाणावर प्रशिक्षण: वितरण योग्य पद्धतीने PyTorch चा वितरण स्टॅक खोल व तपासलेला आहे:

DDP (DistributedDataParallel): मल्टी-GPU प्रशिक्षणासाठी आधारस्तंभ.

FSDP (FullyShardedDataParallel): मेमरी दडपण कमी करण्यासाठी मॉडेल राज्याचे शार्ड करते आणि कमी GPU वर मोठे मॉडेल प्रशिक्षित करते.

पाईपलाइन आणि टेंसर पॅरललिझम: अत्यंत मोठ्या मॉडेलसाठी इकोसिस्टम टूल्स (उदा., Megatron-LM, DeepSpeed) द्वारे उपलब्ध.

अ‍ॅक्सेलरेटर: PyTorch Lightning आणि Hugging Face Accelerate बोररप्लेट आणि संघटन सुलभ करतात.

तळटीप: तुम्ही एखाद्या लॅपटॉपवरून शेकडो GPU पर्यंत प्रमाण वाढवू शकता फ्रेमवर्क बदलण्याशिवाय. ही साधने फक्त आहेतच नाहीत, तर समुदायामध्ये कॉमन नॉलेज आहेत.

मॉडेल ऑप्टिमायझेशन: संकलनापासून क्वांटायझेशन व प्रूनिंगपर्यंत

torch.compile: सर्वात सोपा फायदा—सर्वप्रथम प्रयत्न करा.

क्वांटायझेशन: प्रशिक्षण नंतर क्वांटायझेशन आणि QAT (क्वांटायझेशन-अवेयर प्रशिक्षण) मॉडेलचे आकार लहान करतात आणि कमी अचूकतेने inference जलद करतात.

प्रूनिंग आणि डिस्टिलेशन: काही वापरांसाठी अजूनही विशेष, पण एज डिव्हाइसेस आणि लेटन्सी-महत्वाच्या inference साठी उपयुक्त.

एक्सपोर्ट: ONNX एक्सपोर्ट पाईपलाईन्स आता अधिक विश्वासार्ह आहेत, जे क्रॉस-रनटाइम परिनियोजन सक्षम करतात.

परिनियोजन: 2025 चे प्लेबुक आजच्या उत्पादनासाठी केवळ “PyTorch मॉडेल सर्व्ह करणे” पुरेसे नाही. संघांना मल्टि-रनटाइम लवचिकता आवश्यक आहे:

TorchServe: PyTorch वर्कलोडसाठी मॉडेल आवृत्तीकरण आणि inference हँडलर्ससह नेटिव्ह सर्व्हिंग.

ONNX Runtime: क्रॉस-फ्रेमवर्क अ‍ॅक्सेलरेशन; विद्यमान पायाभूत सुविधांमध्ये सहज समाकलन.

vLLM आणि इतर LLM सर्व्हर्स: जर तुम्ही जनरेटिव्ह मॉडेल्स सर्व्ह करत असाल, तर vLLM सारख्या खास रनटाइम्स throughputs पालटू शकतात आणि GPU ऐवजी वेळ वाचवतात; व्यावहारिक मार्गदर्शन GPU चा वाया वेळ टाळण्यावर आणि प्रॉम्प्ट/रिस्पॉन्स फ्लो साधेपणावर भर देतो.

ExecuTorch आणि मोबाइल/एज: ऑन-डिव्हाइस इनफरन्ससाठी वाढता मार्ग.

तत्पर तपासणी: inference कार्यक्षमता वाढत चाललेल्या सर्व्हिंग स्टॅक (टोकन स्ट्रीमिंग, KV कॅश व्यवस्थापन, टेंसर पॅरललिझम) यावर अवलंबून आहे तसेच प्रशिक्षण फ्रेमवर्कवर; तुमच्या मॉडेल कुटुंबासाठी योग्य सर्व्हर निवडा.

इकोसिस्टमची खोली: लायब्ररीज, ट्युटोरियल्स, आणि समुदाय PyTorch पुढे ठेवण्यामागे एक कारण म्हणजे दर्जेदार संसाधनांची सातत्यपूर्ण निर्मिती आणि समृद्ध इकोसिस्टम आहे. विकसक मार्गदर्शक सूचित करतात की 2025 मध्ये PyTorch अजूनही उत्कृष्ट गुंतवणूक आहे त्याचा डायनॅमिक ग्राफ मॉडेल आणि Pythonic डिझाईन मुळे, विशेषतः जलद संशोधन पुनरावृत्ती करणाऱ्या संघांसाठी. तुलना करणाऱ्या लेखांमध्ये PyTorch विरुद्ध TensorFlow हेदेखील निराकरण करते की निवड ही मुख्यतः वापरकर्ता अनुभव आणि इकोसिस्टम प्राधान्यांवर अवलंबून आहे—कोणताही स्पष्ट विजेता नाही.

समुदाय आणि शासन PyTorch चे उत्पत्ती Meta मध्ये आणि नंतर Linux Foundation च्या PyTorch Foundation कडे जाणे, अधिक समुदाय-केंद्रित आणि vendor neutrality असलेले इकोसिस्टम निर्माण केले. यामुळे विस्तृत योगदानकारकांची सहभागिता, सुधारित vendor निःपक्षता, आणि ROCm समर्थन ते एक्सपोर्ट टूलिंग पर्यंत महत्त्वाच्या फिचर्सवर जलद पुनरावृत्ती शक्य झाली आहे.

2025 मध्ये PyTorch कुठे उत्कृष्ट आहे

जलद संशोधन-ते-उत्पादन लूप: तत्पर मोडमध्ये प्रोटोटायप करा, संकलित करा, नंतर वितरीत करा.

NLP आणि जनरेटिव्ह मॉडेल्स: मजबूत इकोसिस्टम समर्थन आणि खास सर्व्हिंग पर्याय.

मल्टिप्लॅटफॉर्म अ‍ॅक्सेलरेशन: CUDA, ROCm, आणि MPS मध्ये ठोस कव्हरेज.

विकसक उत्पादकता: शिकण्याचा वक्र सौम्य; दस्तऐवजीकरण आणि समुदाय मजबूत.

जिथे तुम्ही पर्यायांचा विचार करू शकता

एंटरप्राइझ TensorFlow संच: जर तुमची इन्फ्रा आधीच TF Serving/TPU वर आधारित असेल, तर बदल फायद्याचा नसेल.

JAX-प्रथम संशोधन: ज्या संघांना functional paradigm, XLA-आधारित संकलन, किंवा TPU-भरपूर कार्य हवे असेल, त्यांच्यासाठी JAX अधिक योग्य.

अत्यंत लेटन्सी-सेन्सिटिव्ह मोबाइल अॅप्स: ExecuTorch, ONNX Runtime Mobile किंवा नेटिव्ह मोबाइल इनफरन्स स्टॅक्स तपासून काटेकोर चाचणी करा.

परिस्थिती प्लेबुक: तुम्ही काय निवडावे?

तुम्ही नवीन संशोधन प्रकल्प बनवत आहात ज्याचा आर्किटेक्चर अस्पष्ट आहे: PyTorch निवडा. तत्पर कार्यान्वयन आणि torch.compile नी तुम्हाला गती तसेच नंतर ऑप्टिमायझेशनची मुभा देते.

तुमच्याकडे कडक लेटन्सी आणि उच्च थ्रूपुट बाबतीत बंधनकारक उत्पादन LLM आहे: PyTorch मध्ये प्रशिक्षण घ्या, vLLM किंवा दुसऱ्या खास सर्व्हरने सर्व्ह करा; जर आवश्यक असेल तर ONNX कडे एक्सपोर्ट करा.

तुम्ही एंटरप्राइझमध्ये TF कडून स्थलांतर करत आहात: महत्त्वाच्या इन्फ्राचा नकाशा तयार करा, TorchServe आणि विद्यमान inference बॅकएंडची तपासणी करा, आणि टप्प्याटप्प्याने रोलआऊटचा आराखडा तयार करा.

तुम्ही मिश्रित GPU टार्गेट करत आहात: CUDA आणि ROCm मार्गांची पडताळणी करा, AMP/bfloat16 स्थिरता तपासा, आणि तुमच्या विशिष्ट मॉडेलमध्ये कर्नल कव्हरेज साठी खात्री करा.

सामान्य चुका आणि त्यांना कसे टाळावे

संकलन कव्हरेज दुर्लक्षित करणे: जर torch.compile तुमचा काही भाग पकडू शकत नसेल तर कार्यक्षमता मागे जाऊ शकते. प्रोफाइल करा, नंतर महत्त्वाच्या भागांचे रीफॅक्टर करा.

डिफॉल्ट्स सर्वोत्तम समजणे टाळा: बॅच साइज, मिक्स्ड प्रिसिजन, आणि कर्नल फ्युजन ट्यून करा; लहान बदल मोठे फायदे करतात.

सर्व्हिंग तपशील दुर्लक्षित करणे: KV कॅश व्यवस्थापन, विनंती बॅचिंग, आणि टोकनायझर थ्रूपुट हे LLM inference मध्ये खर्चावर फार परिणाम करतात.

तुमच्या वर्कफ्लोसाठी लक्षात ठेवण्यासारखे तुम्ही SGL सारखे नवीन स्टॅक शिकत असाल किंवा inference सर्व्हरची तुलना करत असाल तर तुमचा वर्कफ्लो सुलभ करणे फायदेशीर ठरू शकते: Setup मार्गदर्शकांची संक्षिप्त माहिती देणे, स्टेप्सची यादी काढणे, आणि जलद टेस्ट प्रॉम्प्टवर पुनरावृत्ती करणे बेंचमार्किंग आणि मॉडेल रूटिंगदरम्यान वेळ वाचवते. जर तुम्ही नियमितपणे अनेक मॉडेल एंडपॉइंटची तुलना करत असाल किंवा रूटिंग व प्रॉम्प्टसह प्रयोग करण्यासाठी व्यावहारिक फ्रंट-एंड हवा असेल, तर एकत्रित वर्कस्पेस असणे मूल्यांकन जलद करतो आणि GPU वाया जाणे कमी करतो.

निर्णय: 2025 मध्ये PyTorch अजूनही सर्वोत्तम आहे का? अधिकांश संघांसाठी—विशेषतः ज्यांनी संशोधन आणि उत्पादन यांना जोडले आहे—PyTorch अजूनही सर्वोत्तम डीफॉल्ट पर्याय मानला जातो. सहज विकास, संकलन-वेळ सुधारणा, प्रगल्भ वितरित प्रशिक्षण, आणि लवचिक परिनियोजन पर्याय यांचे मिळून ते सर्वोच्च स्थानावर आहे. TensorFlow एंटरप्राइझमध्ये स्थिर आहे आणि JAX विशिष्ट संशोधन पद्धतींसाठी खास आहे. पण जर तुम्ही नव्याने सुरू करत असाल किंवा Python-प्रथम ML प्रॅक्टिसचा विस्तार करत असाल, तर PyTorch ची विकसक गती आणि इकोसिस्टमची खोली मात करण्यास कठीण आहे.

मुख्य मुद्दे

PyTorch 2.x त्याच्या torch.compile द्वारे अर्थपूर्ण वेगवान सुधारणा देतो, पण उपयोगकर्ता अनुभव गमावत नाही.

वास्तविक जगातील प्रदर्शन फ्रेमवर्कच्या ब्रँडपेक्षा कर्नल्स, प्रिसिजन आणि सर्व्हिंग स्टॅकवर जास्त अवलंबून असते.

वितरित प्रशिक्षण आणि क्वांटायझेशन/एक्सपोर्ट मार्ग उत्पादनासाठी प्रगल्भ आणि व्यावहारिक आहेत.

विशेष inference गरजांसाठी vLLM किंवा ONNX Runtime सारखे सर्व्हिंग स्टॅक निवडा.

PyTorch ती टीम्ससाठी सुरक्षित “डीफॉल्ट” पर्याय आहे ज्यांना पुनरावृत्तीची गती आणि इकोसिस्टमची व्यापक्त्ता महत्त्वाची आहे.

अधिक वाचन आणि तुलना

2025 साठी PyTorch शिकण्यास आणि गुंतवणूक करण्यास अजूनही आकर्षक पर्याय का आहे.

2025 मध्ये PyTorch विरुद्ध TensorFlow वर बाजूने बाजूने दृष्टिकोन.

2024–2025 मधील तुलना चर्चेत असे अधोरेखित केले आहे की प्रदर्शन कधीही बाजूला झुकू शकते, त्यामुळे कॉन्फिगरेशन आणि वापर केसचा जास्त परिणाम.

कार्यान्वित करण्याजोगी पुढील पावले

जर तुम्ही नवीन असाल: PyTorch मध्ये लहान CNN/Transformer ने सुरुवात करा, नंतर torch.compile चालू करा आणि परिणाम मोजा.

जर तुम्ही प्रमाण वाढवत असाल: मेमरी दडपण कमी करण्यासाठी FSDP वापरून पाहा आणि तुमच्या मॉडेल कुटुंबावर मिक्स्ड प्रिसिजन स्थिरता तपासा.

जर तुम्ही LLM परिनियोजित करत असाल: तुमच्या विशिष्ट प्रॉम्प्ट आकार, बॅच साइज, आणि लेटन्सी लक्ष्यांसाठी vLLM, TorchServe, आणि ONNX Runtime चे बेंचमार्क करा.

जर तुम्ही ट्युटोरियल्स आणि वर्कफ्लो ऑप्टिमाइझ करत असाल: सेटअप संक्षेप करणारे, स्टेप्स काढणारे, आणि एंडपॉइंट्सची तुलना करायला मदत करणारे टूल्स वापरून GPU वेळ वाचवा.

FAQ

Q1: 2025 मध्ये PyTorch नवशिक्यांसाठी चांगला आहे का? होय. PyTorch चे तत्पर कार्यान्वयन, Pythonic API, आणि मजबूत दस्तऐवजीकरण त्यास नवशिक्यांसाठी अनुकूल बनवते आणि तरीही उत्पादनात वाढू शकते. लहान मॉडेलसह प्रारंभ करा आणि नंतर वेगासाठी torch.compile वापरा.

Q2: PyTorch आणि TensorFlow यात कोण जास्त वेगवान आहे? दोन्ही अत्यंत ऑप्टिमाइझ्ड आहेत, जिथे विजयी ठरते ते मॉडेल, कर्नल्स, आणि सेटअपवर अवलंबून असते. 2025 मध्ये, मिक्स्ड प्रिसिजन, बॅच साइज, आणि सर्व्हिंग स्टॅक घडवणं फ्रेमवर्कच्या निवडीपेक्षा जास्त महत्त्वाचं आहे.

Q3: मी PyTorch मॉडेल उत्पादनात कसे परिनियोजित करावे? नेटिव्ह सर्व्हिंग साठी TorchServe वापरा किंवा क्रॉस-प्लॅटफॉर्म अ‍ॅक्सेलरेशन साठी ONNX Runtime कडे एक्सपोर्ट करा. LLM साठी, throughput वाढवण्यासाठी आणि GPU वाचवण्यासाठी vLLM सारखे खास सर्व्हर वापरून पहा.

Q4: PyTorch Apple सिलिकॉन आणि AMD GPU ला समर्थन देतो का? होय. PyTorch macOS साठी Apple च्या MPS बॅकएंड आणि AMD GPU साठी ROCm यांना समर्थन देतो, शिवाय NVIDIA CUDA सुद्धा आहे. प्रदर्शन मॉडेल आणि कर्नल कव्हरेज नुसार बदलते, त्यामुळे तुमचे कार्यभार बेंचमार्क करा.

Q5: PyTorch 2.x मध्ये पूर्वीच्या आवृत्त्यांशी तुलना करता काय नवीन आहे? PyTorch 2.x मध्ये torch.compile जोडा आहे, ज्यामुळे TorchInductor सोबत मोठे वेग मिळतात व तत्पर विकास अनुभव गमावत नाही. तसेच वितरण प्रशिक्षण आणि एक्सपोर्ट/क्वांटायझेशन मार्ग अधिक सुधारले आहेत.