Categorie:
Software de aprendizado de máquina /
TensorFlow Reveja
Excelente | |
Boa | |
Média | |
Mau | |
Horrível |
Uma plataforma de código aberto que permite que desenvolvedores, empresas e pesquisadores criem e implantem algoritmos de aprendizado de máquina.
A curva de aprendizado é obviamente íngreme. Algumas das mensagens de erro podem ser difíceis de decifrar sem ajuda externa.
Não há muitos contras sobre este produto. Apenas a interface do usuário pode ser simplificada para melhor entendimento do usuário. Caso contrário, é um produto incrível
Adoro como isso simplifica o Deep Learning, removendo a necessidade de manter as VMs. O Tensorflow é uma estrutura incrível que faz praticamente tudo no aprendizado profundo.
O fluxo tensor possui uma curva de aprendizado acentuada. Mais tutoriais podem ser fornecidos para iniciantes, a fim de integrá-los.
Você sempre pode implementar um aprendizado profundo, mas a maneira mais eficiente é fazer isso através do fluxo tensor. Você pode criar maravilhas usando o tensorflow. Ele oferece uma abordagem realista para organizar baixos níveis de programação numérica, ajudando as bibliotecas que podem permitir que seu software seja executado sem alterações em uma CPU comum.
Combinar o Ubuntu, as versões do Cuda durante a instalação é a parte mais difícil da instalação do tensorflow.
Meu problema era que eu tive dificuldade para entender como eu sou capaz de fazer o que estou procurando, mais exemplos com uma documentação melhor definida podem ser úteis, como aluno, foi difícil para mim
Eu tive um pouco de dificuldade em configurar o ambiente de trabalho, pois ele funciona como servidor e mostra a visualização no host local do navegador.
A utilização da GPU ajuda os projetos. O TensorBoard é bom para visualização de modelos e análise de desempenho.
Ainda requer hardware específico para versões específicas. A compatibilidade com o módulo de multiprocessamento é baixa, tornando incompatível a combinação com partes de códigos em execução na CPU, se for necessário o multiprocessamento.
Prepare-se para estudar muitos trabalhos de pesquisa para trabalhar com ele. como você ficará viciado em TF, como eu cheguei.
Não é de código aberto. Somente partes do mecanismo de IA são de código aberto.
não é muito fácil de usar e leva um pouco para começar
Muito difícil de começar, será ótimo ter muito mais tutoriais. E será útil ter mais treinamentos disponíveis.
O TensorFlow suporta apenas GPUs Nvidia e a única linguagem de programação totalmente suportada é python e javascript.
É mais rápido que outros back-ends e possui melhores visualizações de gráficos computacionais do que o back-end da Torch e Theano para tarefas de aprendizado de máquina
Isso causa muitos problemas no ambiente do Windows. É mais compatível com o ambiente Linux.
As chamadas por solicitação são um pouco altas. Ficaria feliz se eles fornecessem mais chamadas na versão gratuita. Descanse é o melhor serviço de classe.
- A documentação pode ser mais refinada
O TensorFlow é completo, com muitos recursos. É bastante fácil de instalar e há muitos recursos disponíveis para aprender ou obter inspiração. É muito poderoso, e você pode configurar e ajustar muitos algoritmos diferentes de aprendizado de máquina.
Há uma curva acentuada de aprendizado, principalmente se não for forte nos fundamentos do aprendizado de máquina. O TensorFlow não é uma biblioteca plug and play; portanto, há muito código a ser escrito que seria abstraído em outras bibliotecas, como o SciKit.
O software não é o mais fácil de entender, mas existem inúmeras quantidades de documentação e exemplos on-line que podem ajudar na maioria das situações. O repositório do Github também é bem mantido, com referências a quaisquer bugs e problemas que se possam encontrar
A depuração é incrivelmente difícil com a versão 1 da estrutura (isso deve ser abordado na versão 2) e pode levar muito tempo para se lidar com os conceitos específicos. A biblioteca completa é exaustiva, mas ao ponto de abstrair demais conceitos.
O Tensorflow é a maneira mais fácil de implementar software de aprendizado de máquina em seu produto / empresa. O repositório é colossal e há uma abundância de apoio somente dentro da comunidade. O Tensorflow está sendo atualizado regularmente e continuará a crescer nos próximos anos.
O hardware é um gargalo comum no software de aprendizado de máquina. Criamos um espaço de computação dedicado apenas para nossos modelos de fluxo tensorial e precisamos continuar atualizando e expandindo esse espaço. É apenas a natureza do negócio.
O desenvolvedor final e evolutivo da API precisa manter-se informado regularmente das mudanças
É a melhor biblioteca para criar modelos para aprendizado profundo. Uma vantagem é que é de código aberto. Uma das melhores coisas é que agora ele possui muita arquitetura de rede neural pré-construída.
Esta biblioteca requer um longo período de aprendizado, não é muito fácil entender tudo nesta biblioteca.
Estou usando o TensorFlow com Python para resolver e é fácil e forte com muitas funções úteis.
Não vejo nenhum grande problema ao usar este software, a única coisa que posso mencionar é sobre a documentação deste software que pode ser aprimorada.
Possui ricos recursos para apoiar e ajudar a aprender as nuances das redes neurais e do aprendizado profundo e ajuda na rápida criação de protótipos iniciais
Possui uma curva de aprendizado inicial acentuada e não é um sistema de programação de alto nível como o Pytorch. Exigiria mais esforço na definição dos diferentes módulos do projeto.
Foi difícil usar e entender todos os conceitos do TensorFlow durante as primeiras tentativas. Portanto, pode ser demorado para os juniores ou para as pessoas que acabaram de terminar o curso na Neural Networks e estão tentando criar seu próprio NN.
É necessário um pouco de experiência em programação para entender as linhas de códigos implementadas.
Eu acho que é a biblioteca mais avançada para aprendizado de máquina, especialmente para aprendizado profundo. É muito fácil escrever redes neurais nesta biblioteca. Ele vem com muitas funções embutidas para processar dados. Além disso, possui muitas funções pré-criadas que facilitam a implementação da rede neural.
Não há nada de ruim nisso, mas inicialmente leva muito tempo para entendê-lo, pois funciona em tensores, em vez de um simples vetor ou objeto de matriz. Mas depois que você aprender isso, será fácil escrever código.
A versão 2.0 é fácil de configurar e há muitas APIs integradas para o uso de várias linguagens de programação para fazer a mesma coisa. Pessoalmente, tenho usado o python com este aplicativo e tive muito poucos problemas. Existem muitos tutoriais sobre como começar, alguns bons dados disponíveis gratuitamente para ajudar no processo de aprendizado. Tudo pode ser executado localmente, o que facilita a expansão no local. As opções de nuvem também são acessíveis.
A curva de aprendizado é um pouco íngreme. Isso não é especificamente um problema, devido ao próprio TensorFlow, a ideia de redes neurais não é simples. O TensorFlow fez melhorias no 2.0, que facilitam o uso em comparação com as versões anteriores.
podemos treinar modelos com muitos dados que contêm milhões de dados.
Não é fácil aprender usando suas documentações.
Meio difícil de entender desde o início.
Desenvolvido pelo Google, o Tensorflow agora é o pacote ideal para a maioria dos projetos de aprendizado de máquina que precisam gerenciar cálculos com grandes quantidades de cálculos e dados. Todo mundo usa, então você não pode dar errado.
Enorme curva de aprendizado. É muito difícil apenas pegar. A maioria das pessoas precisa usar outros pacotes criados sobre o fluxo tensor.
O Tensorflow é uma biblioteca de código aberto para algoritmos de aprendizado profundo. No caso de ter problemas com a implementação ou implantação do Tensorflow, encontrei amplo suporte da comunidade do Tensorflow.
Quando comecei a aprender as ferramentas básicas de aprendizado profundo, usando o Tensorflow, não achei nada direto em termos de gerenciamento de sessões e variáveis. É bastante complicado depurar o código se ele tiver alguns problemas. Além disso, o TesnorFlow não suporta gráficos dinâmicos. Não foi um problema para mim no começo, no entanto, começou a ser um problema desafiador ao lidar com gráficos dinâmicos (por exemplo, modelagem de texto).
Maneira intuitiva de gerar redes.
Muitas das mensagens de erro podem ser enigmáticas e difíceis de usar durante a depuração. Erros frequentes causados por incompatibilidades de tipo de dados.
É fácil de usar e amigável para iniciantes, porque eles têm documentação completa no site do TS flow sobre como usá-lo. Com o Tensorflow, é fácil implementar o Machine Learning em seu projeto.
Como é uma nova biblioteca, não há muitos tutoriais disponíveis na Internet no momento.
Leva tempo para aprender sobre isso. Compreender o tensor e outro tipo de dados não é trivial. Mas depois de aprender isso, é muito fácil usá-lo.
O domínio do tenworflow abre em você todas as possibilidades que você pode ter com as técnicas atuais de Machine Learning. Ciência de dados, visão computacional, aprendizado de máquina, PNL ... citar qualquer área de pesquisa de IA, o fluxo tensor pode lidar com isso facilmente.
Pode ser um pouco complicado no começo, especialmente se você é iniciante em redes neurais. Mas permanecer com isso lhe dará a capacidade de interagir com ele.
Primeiro de tudo, é grátis. Em segundo lugar, sendo desenvolvido pelo Google, ele se integra facilmente ao Google ML aos outros produtos. No momento do seu lançamento, ele veio com grande entusiasmo, portanto, tem uma grande comunidade construída em torno dele.
É bastante difícil no começo, pois traz toda a complexidade de trabalhar com o aprendizado de máquina. É muito orientado a recursos e, portanto, a única opção viável é usá-lo na nuvem.
Simplicidade, velocidade e latência muito baixa de desempenho são as melhores partes do google cloud ML. Ele também tem a capacidade de gerenciar o processo de ponta a ponta no aprendizado de máquina, além de oferecer a capacidade de armazenar dados e ferramentas importantes para monitorar a qualidade dos dados ao longo da jornada de ML.
Essa é uma solução totalmente baseada em nuvem e, portanto, para obter o desempenho ideal, os dados também precisam estar no google cloud - eu gostaria que houvesse uma versão no local deste produto, pois somos híbridos e temos dados no local e na nuvem.
Ele não ocupa nenhum dos meus recursos locais do computador, basta acionar um comando e deixar a nuvem do Google funcionar quando eu precisar, e não bloqueia nenhum outro trabalho meu.
O limite de uso do software é relativamente alto e o background do Python ou do Tensorflow é necessário, por isso é difícil começar.
Não preciso escrever uma única linha de código para executar tarefas complexas de ML. Tudo o que preciso é ajustar alguns parâmetros e fornecer alguns dados, e todo o código é tratado por especialistas do Google.
Você precisa aprender a usar o Google Cloud Platform, para integrá-lo ao banco de dados
Simplicidade, esse é o recurso mais apreciado para mim. Como iniciante no aprendizado de máquina, isso me ajudou a criar meu projeto sem problemas e o apoio que recebi foi enorme. Além disso, os laboratórios de código fornecidos me ajudaram a entendê-lo melhor com facilidade.
Bem, eu treinei meu conjunto de dados usando a CPU. Demorou muito tempo até então. Fora isso, nunca enfrentei nenhum problema em usá-lo.
O TensorFlow é fácil de usar, altamente documentado, possui um suporte robusto da comunidade e é incrivelmente valioso em ciência de dados.
Embora seja fácil de usar, foi difícil configurar e fazer o download. Ocorreu um problema de versão e compatibilidade com o meu computador.
Possui facilidade de visualização de gráficos em grade e suporte a vários idiomas do que outras bibliotecas. E também mais rápido que o Torch e o Theano.
A equipe de desenvolvimento frequentemente lança versões. Essas mudanças rápidas dificultam o cumprimento do código.
A curva de aprendizado, como todas as estruturas necessárias para procurar documentação. Além disso, este produto é incrível.
O Tensorflow é preferido por muitos setores para o desenvolvimento de arquitetura de aprendizado profundo.
Programar é um pouco difícil com o tensorflow
É rápido, pode ser implantado em diferentes plataformas e tem múltiplas funcionalidades, é usado principalmente para trabalhos de pesquisa
Não é muito fácil aprender, o projeto feito usando o tensorflow nem sempre está pronto para a produção
É bastante complexo entender enquanto você aprende, pois os códigos às vezes são ilegíveis
O Tensorflow é fácil de configurar e fornece uma maneira simples de começar o aprendizado de máquina com um tutorial de guias que vem com dados necessários para treinar o algoritmo.
Não está disponível para uma máquina de 32 bits, você precisa de 64 bits.
A documentação e as diretrizes podem ser aprimoradas.
Eu gosto que é ótimo para treinar. E que você pode usá-lo juntos ou individualmente!
Eu não tenho nada negativo para dizer. Eu gosto muito disso!
Ao usar o módulo de aprendizado de máquina de análise de sentimentos, você precisa gerar um arquivo de credenciais json; pode ser um pouco inseguro ao criar um aplicativo independente.
Eu usei o TensorFlow para resolver problemas de visão computacional em minha pesquisa. Ele oferece uma extensa plataforma de código aberto para treinar conjuntos de dados e implantar modelos de ML e redes neurais.
Pode ser um desafio para iniciantes se acostumar a escrever o código e entender os conceitos de tensores
Ele pode ser usado para criar programas de aprendizado de máquina de nível médio e não é ruim nisso.
Ele tem uma curva de aprendizado muito íngreme e existem melhores bibliotecas que superam o Tensorflow.
Requer experiência significativa - não um software simples. Desenvolvimento amplamente controlado por uma empresa - Google.
Acho que é a melhor e mais poderosa biblioteca de ML e deep learning disponível a partir de agora. O tensor tem muito e muito suporte para algoritmos de aprendizado profundo. Ele vem com muitas funções embutidas, o que facilita as coisas para o desenvolvedor de ML.
Apenas contras sobre isso é sua longa curva de aprendizado.
Acho que se você está desenvolvendo algo que inclui aprendizado profundo e alguma outra técnica de aprendizado de máquina, deve usar o TensorFlow. Ele vem com muita funcionalidade embutida, o que facilita as coisas para o algoritmo de aprendizado profundo. Ele vem com técnicas embutidas de manipulação / processamento de dados, que são muito úteis no desenvolvimento de novos algoritmos e na sua implementação.
O Ti possui uma curva de aprendizado acentuada. Não é fácil entender o seu conceito de tensor. Leva tempo para aprendê-lo completamente. E mesmo depois de aprendê-lo, leva tempo para desenvolver ou escrever a implementação do algoritmo de aprendizado profundo, pois você precisa escrever tudo sozinho.
ML e AutoML pelo Google simplificam drasticamente o trabalho dos desenvolvedores de Machine Learning, na minha opinião. O Google fornece uma infraestrutura completa que pode importar modelos de exportação, treinamento e implantação no ambiente de ML. Por outro lado, o AutoML oferece ainda mais simplicidade às operações.
Muitas vezes, é difícil implementar a solução de ML e exige tempo e esforços que nem sempre estão disponíveis devido a certas restrições.
O Tensorflow é uma boa biblioteca para aprendizado de máquina, mas apenas para desenvolvedores mais experientes.
É muito popular pela comunidade, mas tem uma curva de aprendizado simples e é difícil de aprender. Portanto, o aplicativo não é amigável para iniciantes, mas também não é a melhor biblioteca para aprendizado de máquina de alto nível.
A integração de FPGA também deve ser adicionada. ML no FPGA está crescendo arquivado nos dias de hoje.
Tem tudo o que preciso em um só lugar, portanto, não há falhas
O uso da CPU está disponível apenas em porcentagem.
Maneira intuitiva de gerar redes.
Muitas das mensagens de erro podem ser enigmáticas e difíceis de usar durante a depuração. Erros frequentes causados por incompatibilidades de tipo de dados.
A depreciação do código é frustrante. Para usar um formulário apenas para lançar uma mensagem de erro.
Às vezes, ele trava e desmaia completamente
Esta biblioteca é a melhor para o aprendizado profundo. Projetar rede neural com esta biblioteca é muito fácil. Além disso, ele calcula as coisas muito rapidamente. Tornou a visualização muito fácil. Possui muitos recursos incorporados, como rede conv2d, lstm etc.
É a melhor coisa a fazer no aprendizado profundo, mas exige uma longa curva de aprendizado. Mas uma vez que você sabe como ele funciona, tornou seu trabalho muito fácil.
Alguns dos profissionais são os seguintes:
Alguns dos contras são os seguintes:
As versões não são compatíveis com as versões anteriores. Esse é um problema enorme ao tentar manter um código criado em cima dele.
Usei o TensorFlow na AWS, o que foi mais fácil com toda a infraestrutura criada pela AWS. Foi um bom começo para o aprendizado de máquina com toda a popularidade da IA e da rede neural atualmente. Foi desafiador e emocionante preparar conjuntos de dados, treiná-los e ver os resultados satisfatórios no painel.
Há um longo e desafiador período de aprendizado. A documentação é rica, mas seria muito melhor aprender e usá-la com alguns recursos visuais.
Esta é a biblioteca de aprendizado de máquina líder do setor. É essencial para qualquer modelo de aprendizado profundo que você deseja implementar. O repositório é grande e muito completo. Nós treinamos muitos conjuntos de dados em vários modelos usando o fluxo tensor e não poderíamos estar mais felizes.
Não é fácil de usar. Esse é o caso da maioria das tecnologias emergentes, porém, a curva de aprendizado é dramática, mas esse é o custo das novas tecnologias.
O TensorFlow é fascinante ao ver como ele produz resultados em um período de tempo razoável. É completamente flexível em comparação com seus concorrentes caros. O software se conecta bem a várias fontes de dados e na configuração de scripts para execução automática.
O TensorFlow leva muito tempo para se tornar um especialista no que está fazendo. O compromisso de tempo de programação pode não valer a pena, a menos que você planeje personalizar sua modelagem para trabalhar com outro software.
Embora o Python seja muito poderoso e fácil de usar, o uso do Python com TensorFlow ainda causará alguns problemas de eficiência. Por exemplo, todo mini-lote precisa ser alimentado do Python para a rede. Durante esse processo, quando o tamanho dos dados do mini lote é pequeno ou o tempo de cálculo é curto, isso causa uma latência longa.
Demorado.
a implementação de código aberto atual não suporta computação distribuída e o suporte ao Windows não está presente. Na atualização futura, mais guia para novos usuários deve ser adicionado.
As operações de fluxo de controle e as funções de loop estão ausentes. O suporte ao Windows não existe. O treinamento distribuído não é suportado.
Poderia usar alguns modelos mais predefinidos para problemas comuns, para ajudar a não reinventar a roda.
* Serviço especial para estudantes pode ser fornecido.
Requer hardware extenso para executar com eficiência e pode ser fornecida uma integração muito melhor com aplicativos de terceiros. Forneça uma documentação melhor.