Recensioni e Dettagli del Prodotto TensorFlow

Basato su Python e l'API è intuitiva. Keras è ottimo e utilizza la libreria Tensorflow. Ho usato scikit-learn in precedenza ed era molto più difficile da capire e richiedeva molto più codice per ottenere le stesse cose. L'interfaccia user-friendly è onestamente la parte migliore di Tensorflow/Keras. Recensione raccolta e ospitata su G2.com.

Non molto, ma per Tensorflow Lite, un manuale utente per il porting su altre schede sarebbe fantastico. Volevo usare Tensorflow Lite sulla mia scheda TM4C123GXL, ma non è una piattaforma supportata. Sono sicuro che ci sia un modo per farlo funzionare su qualsiasi scheda, solo che non so come. Recensione raccolta e ospitata su G2.com.

È stato facile iniziare con Tensorflow rispetto ad altre librerie di machine learning. Ci sono tonnellate di supporto dalla comunità, tutorial, video e persino modelli pre-costruiti per imparare e ottenere il massimo in poco tempo. E inoltre, è completamente gratuito e open-source. Recensione raccolta e ospitata su G2.com.

Non c'è nulla da dire in questa sezione. Tensorflow ha tutto, e lo adoro. Non ho ancora affrontato un problema serio, e anche se lo facessi, la comunità è lì per risolverli felicemente. Recensione raccolta e ospitata su G2.com.

La cosa principale che mi piace di Tensorflow è che è Open Source. Chiunque può usarlo e creare molteplici applicazioni di Machine Learning. Posso anche visualizzare il mio modello di machine learning in TensorFlow utilizzando Tensorboard. Tensorflow supporta anche Keras, quindi possiamo facilmente creare modelli ML e CNN utilizzandolo. Tensorflow è compatibile con molti linguaggi di programmazione come Java, Python, C++, Ruby ecc. Recensione raccolta e ospitata su G2.com.

Una cosa che non mi piace di Tensorflow è che fornisce aggiornamenti regolarmente. Quindi diventa un po' difficile installare nuove versioni. Perché a volte, qualsiasi applicazione che ho sviluppato potrebbe non essere supportata su una versione più recente di Tensorflow. Recensione raccolta e ospitata su G2.com.

Tensorflow è un framework maturo che offre molte funzionalità preziose come Keras, Tensorboard, moduli di elaborazione dati, multiprocessing facile da implementare, integrazione con HDFS e altro ancora. Tensorflow ha una comunità forte e una documentazione molto robusta. Tensorflow ha molte funzionalità che fanno risparmiare tempo, come i livelli di modelli pre-addestrati facilmente integrabili. L'hub dei modelli di TensorFlow è uno dei migliori che abbia visto in termini di facilità di trovare e utilizzare modelli pre-addestrati. Ci sono molte demo e notebook di esempio che dimostrano come utilizzare concetti complessi e semplici. Recensione raccolta e ospitata su G2.com.

Tensorflow ha attraversato molte iterazioni negli ultimi anni, quindi la manutenzione del codice è stata un problema. A mio parere, l'esecuzione immediata è un metodo preferito per sviluppare e fare il debug delle reti; tuttavia, l'esperienza con il TensorFlow legacy rende il passaggio più impegnativo. Poiché la comunità di ricerca del deep learning preferisce PyTorch a TensorFlow, i ricercatori generalmente trovano modelli all'avanguardia e nuove metodologie implementate in PyTorch. Recensione raccolta e ospitata su G2.com.

La parte più preziosa di TensorFlow è il Tensorboard. Durante lo sviluppo del modello AI, fornisce una migliore visualizzazione per il debug e la gestione degli errori. Recensione raccolta e ospitata su G2.com.

La parte meno apprezzata di TensorFlow è la sua velocità di implementazione. In confronto a un altro framework di deep learning, il tempo di sviluppo è più alto in TensorFlow. Recensione raccolta e ospitata su G2.com.

Tensorflow è una libreria di deep learning molto matura, ampiamente utilizzata in scenari di produzione. Mi piace particolarmente la versione tensorflow-lite che riduce la dimensione del modello ed è ideale per il deployment su dispositivi edge. Recensione raccolta e ospitata su G2.com.

Richiede un po' più di programmazione rispetto a pytorch. Pytorch è più pythonesco e quindi è più facile da imparare e implementare. Recensione raccolta e ospitata su G2.com.

Il fatto è che puoi creare la rete e poi eseguire il calcolo tutto in una volta. Il calcolo è ben ottimizzato per essere eseguito su GPU. Il supporto di tensorboard ci consente di visualizzare metriche come l'accuratezza e i pesi durante l'addestramento, cosa che è assente in altri pacchetti di deep learning. Recensione raccolta e ospitata su G2.com.

L'API di alto livello non è presente nel pacchetto stesso. Per questo dobbiamo usare keras o altri pacchetti costruiti sopra di esso, ma queste API di alto livello non sono native di tensorflow. Recensione raccolta e ospitata su G2.com.

Funziona meravigliosamente quando si elaborano dati di immagini, testo e audio. La documentazione è molto buona e facile da usare. Con Keras, puoi fare il tuo lavoro di deep learning in modo semplice e veloce. Open source. La migliore libreria software sul mercato per il deep learning. È rassicurante avere Google dietro. La documentazione viene aggiornata. Funzionale. Recensione raccolta e ospitata su G2.com.

Sta forzando la scheda video. Rilevare e risolvere gli errori è a volte difficile. Recensione raccolta e ospitata su G2.com.

Piattaforma molto potente con Keras e altre librerie di ml/dl

TFRecord è un modo molto efficiente di gestire/archiviare i dati Recensione raccolta e ospitata su G2.com.

Software molto pesante per l'inferenza anche se TFLite è buono per i dispositivi mobili Recensione raccolta e ospitata su G2.com.

La visualizzazione dei grafici in TensorFlow è molto migliore. Aggiornamenti frequenti poiché è supportato da Google. Recensione raccolta e ospitata su G2.com.

Tensorflow è indietro in termini di calcolo e velocità. È supportato solo nelle GPU NVIDIA. Recensione raccolta e ospitata su G2.com.