Recensioni e Dettagli del Prodotto TensorFlow

TensorFlow è flessibile. Fornisce una piattaforma per costruire e distribuire modelli di apprendimento automatico su una vasta gamma di dispositivi e media, ed è davvero scalabile, funzionando su un singolo dispositivo fino a sistemi distribuiti con migliaia di GPU. Recensione raccolta e ospitata su G2.com.

Alcune cose che non mi piacciono di TensorFlow sono che è intensivo in termini di risorse; TensorFlow è davvero intensivo in termini di risorse. Richiede un'elevata potenza computazionale e una GPU potente. La seconda cosa è la curva di apprendimento: TensorFlow può avere una curva di apprendimento ripida per i principianti a causa della sua complessità. Recensione raccolta e ospitata su G2.com.

Tensorflow è la migliore libreria per lavorare con le reti neurali e costruire l'architettura dei modelli. L'API funzionale insieme ad altre funzionalità rende facile definire qualsiasi modello, da semplice a complesso, e addestrarlo con facilità. Recensione raccolta e ospitata su G2.com.

Tensorflow deve aggiungere alcuni sviluppi nel contesto della memoria. Per distribuire qualsiasi modello, ci vogliono circa 400mb di memoria solo per la libreria tensorflow. Questa è l'unica parte che a volte mi trattiene. Recensione raccolta e ospitata su G2.com.

Una delle migliori caratteristiche di Tensorflow è la sua capacità di eseguire l'addestramento multicore dei modelli. A differenza dei vecchi framework, TF non si basa sull'addestramento su un singolo CPU, ma consente l'addestramento distribuito dei modelli, il che riduce drasticamente il tempo di addestramento quando abbiamo diversi GB di immagini da addestrare per i modelli di diffusione. Recensione raccolta e ospitata su G2.com.

Quando gli sviluppatori utilizzano Windows per lo sviluppo, ci sono alcuni problemi con i pacchetti Python pip che fanno parte di TF. Non c'è supporto nativo per le foreste decisionali, che è uno dei pacchetti più popolari supportati da altri framework. Recensione raccolta e ospitata su G2.com.

In TensorFlow ci sono molti metodi per vari scopi. E in TF puoi fare qualsiasi cosa riguardo al deep learning. Recensione raccolta e ospitata su G2.com.

Tensorflow può costruire una propria interfaccia utente per gestire i modelli e tutto il resto. Recensione raccolta e ospitata su G2.com.

Tensorflow ha diversi metodi intuitivi per implementare algoritmi di apprendimento automatico. Personalmente mi piace usare la sezione di classificazione delle immagini per capire come rilevare modelli nei dati supervisionati. Recensione raccolta e ospitata su G2.com.

Penso che ci sia ancora margine di miglioramento in termini di leggibilità. In particolare, sembra che molti dei comandi di TensorFlow non seguano un modello "pythonico". Recensione raccolta e ospitata su G2.com.

Fornisce tutti i recenti algoritmi che possono essere eseguiti su un modello di rete neurale convoluzionale. Fornisce algoritmi di addestramento, metriche e ottimizzatori per l'algoritmo di apprendimento profondo. Recensione raccolta e ospitata su G2.com.

La versione Python di TensorFlow funziona solo su processori basati su GPU. Recensione raccolta e ospitata su G2.com.

Facile da iniziare. L'ecosistema TensorFlow fornisce strumenti di supporto per caricare i dati in modo efficiente (TF Dataloaders), costruire modelli (Keras), ottimizzarli (TF Lite) e distribuirli e monitorarli (TFX) ed è pronto per la produzione. Recensione raccolta e ospitata su G2.com.

Una preoccupazione che ho è la presenza di API e funzioni incoerenti. Confusione tra TF 1 e TF 2. Molti metodi duplicati e ridondanti. Personalizzazione del codice per scopi di ricerca. Recensione raccolta e ospitata su G2.com.

Tensorflow è un'ottima libreria per implementare equazioni e algoritmi di algebra lineare. Ha anche Keras come modulo integrato, un modulo perfetto per il deep learning e l'implementazione di modelli di reti neurali. Lo uso principalmente per implementare e addestrare modelli di deep learning. Fornisce un'elevata personalizzazione per definire le nostre funzioni di perdita, funzioni di attivazione, ecc. Recensione raccolta e ospitata su G2.com.

L'interfaccia Keras fornita all'interno di TensorFlow non è la stessa di importare Keras esternamente. Ci sono alcune differenze che possono portare qualcuno a proprio agio con Keras a commettere diversi errori durante lo sviluppo con TensorFlow. A volte mostra anche alcuni errori che sono facili da capire e spesso non sono nemmeno correlati al codice, ma piuttosto all'ambiente di esecuzione/kernel. Recensione raccolta e ospitata su G2.com.

Per le persone che sono cresciute imparando la matematica del backprop, che amano pensare agli alberi sintattici e ai grafi di calcolo, Tensorflow ti permetterà di sfruttare appieno questa intuizione. Funzioni di perdita interessanti come la perdita di Wasserstein (dove il gradiente stesso entra come parte della funzione di perdita) si integrano naturalmente. Recensione raccolta e ospitata su G2.com.

Il mix tra il codice di Tensorflow v1 e v2 è piuttosto difficile da apprendere, se ci si avvicina solo ora. Tensorflow v2 è modellato molto di più su Keras ed è progettato per consentire di creare architetture e pipeline particolari. Questo è ottimo, ma se poi si vuole mescolare questo con la flessibilità di v1, si incontrano molte difficoltà. Recensione raccolta e ospitata su G2.com.

Ci sono molti aspetti che mi sono piaciuti di TensorFlow, ad esempio è veloce e la sua scalabilità su dataset più grandi. Con l'aiuto di TensorFlow, sono in grado di scrivere funzioni di valutazione personalizzabili. Recensione raccolta e ospitata su G2.com.

Le prestazioni complessive di TensorFlow sono buone, ma la documentazione di TensorFlow può essere migliorata. A volte ho percepito un'incoerenza nell'algoritmo che può essere ulteriormente ottimizzata. Recensione raccolta e ospitata su G2.com.