TensorFlow Reseñas y Detalles del Producto

Es altamente escalable, lo que lo convierte en una excelente opción tanto para proyectos a pequeña escala como para grandes sistemas distribuidos. Ofrece TensorFlow Lite (para dispositivos móviles y de borde), TensorFlow.js (para aplicaciones web) y TensorFlow Extended (TFX) (para implementación a nivel de producción), lo que significa que puede cumplir con un conjunto completo de requisitos. Un rico ecosistema de desarrolladores y soporte al cliente es excelente. Reseña recopilada por y alojada en G2.com.

Depurar problemas, entender el flujo de ejecución y manejar tensores puede ser bastante problemático para los principiantes. y Problemas de compatibilidad y cambios frecuentes en la API es lo peor. Reseña recopilada por y alojada en G2.com.

He utilizado esto para desarrollar aplicaciones de detección facial. Reseña recopilada por y alojada en G2.com.

Al principio, me resultó bastante difícil porque la información no estaba fácilmente accesible para mí. Reseña recopilada por y alojada en G2.com.

Me gusta el fuerte sentido de comunidad, el hecho de que está listo para producción y no es solo uno de los tantos repositorios de GitLab que existen. Reseña recopilada por y alojada en G2.com.

TensorFlow puede ser un poco "verboso" a veces, pero supongo que eso es bueno para algunos. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de TensorFlow es su versatilidad: ya sea para aprendizaje profundo, visión por computadora o procesamiento de lenguaje natural, ofrece un conjunto completo de herramientas que hacen que el desarrollo de modelos sea escalable y eficiente. Reseña recopilada por y alojada en G2.com.

Un inconveniente es su pronunciada curva de aprendizaje. Aunque es poderoso, TensorFlow puede ser complejo para los principiantes, y algunas funciones requieren una revisión extensa de la documentación o experiencia previa con marcos de aprendizaje automático. Reseña recopilada por y alojada en G2.com.

Me encanta TensorFlow como científico de datos, lo uso a diario. Lo he utilizado para entrenar y ajustar modelos. Creo canalizaciones de ML de grado de producción. Puedo obtener soporte de control de bajo nivel, puedo integrar funciones de pérdida personalizadas. Hay miles de ejemplos con los que podemos usar TensorFlow fácilmente con nuevos modelos. Reseña recopilada por y alojada en G2.com.

Para conjuntos de datos pequeños, es una biblioteca algo pesada, por lo que no debería usarse aquí. Para el aprendizaje y el trabajo de implementación rápida, también preferiría keras. Reseña recopilada por y alojada en G2.com.

Me gustó usar TensorFlow debido a su interfaz de extremo a extremo. La construcción de modelos de datos usando Keras junto con la potente visualización apoyó la canalización de aprendizaje automático a lo largo de mis proyectos. TensorFlow tiene herramientas integradas para la optimización, lo cual fue una gran ventaja y ahorra mucho tiempo. Reseña recopilada por y alojada en G2.com.

A veces he tenido problemas con esto porque para aplicaciones integradas puede ser bastante pesado y complicado, especialmente al convertir algunos modelos a la versión lite con operaciones no compatibles. Resolver o depurar tales problemas a menudo requiere una investigación profunda o preguntar en foros y métodos de prueba y error. Reseña recopilada por y alojada en G2.com.

Lo mejor de TensorFlow es que admite tanto el aprendizaje profundo como los modelos de aprendizaje automático tradicionales, con implementación en múltiples plataformas como CPUs, GPUs, etc. Hemos utilizado este paquete en nuestro marco de trabajo de Python para trabajar en un proyecto de análisis de sentimiento de llamadas telefónicas aprovechando modelos de aprendizaje profundo como LSTMs y CNNs. Nos ayuda en el preprocesamiento de texto, incrustaciones de palabras y entrenamiento de redes neuronales para la clasificación de sentimientos. Es fácil de integrar con Google Cloud AI. Reseña recopilada por y alojada en G2.com.

Tiene una curva de aprendizaje muy pronunciada debido a las API complejas disponibles y sus gráficos computacionales hacen que la depuración sea menos intuitiva. Por lo tanto, estamos aprovechando pytorch también para nuestro proyecto de análisis de sentimientos debido a su sintaxis pythonica y menos programación involucrada. Reseña recopilada por y alojada en G2.com.

He utilizado la biblioteca para mis aplicaciones de aprendizaje automático y me ayudó a acelerar mis tareas de programación. Reseña recopilada por y alojada en G2.com.

no tiene una biblioteca adecuada de aprendizaje por refuerzo Reseña recopilada por y alojada en G2.com.

extenso ecosistema de integraciones especialmente con tecnologías como Keras y Numpy que ayudan enormemente en el desarrollo de modelos. El fácil despliegue y entrenamiento de modelos también es una característica deseable para varias plataformas. Reseña recopilada por y alojada en G2.com.

curva de aprendizaje más pronunciada para un principiante como yo, no bien documentada (encontrarás la mayoría de las cosas necesarias en la documentación, pero no esas complejidades que algunas integraciones requieren), para eso tuve que referirme a stack overflow. Reseña recopilada por y alojada en G2.com.

TensorFlow es una de las mejores plataformas para modelos de aprendizaje automático y aprendizaje profundo para entrenar y procesar sin preocuparse por otras cosas y también nos ofrece variantes de modelos para usar. Reseña recopilada por y alojada en G2.com.

En este momento, TensorFlow utiliza mucha memoria y potencia de cálculo, lo cual es necesario, pero de alguna manera, si se redujera, sería lo mejor para entrenar los modelos. Reseña recopilada por y alojada en G2.com.