O TensorFlow é uma maneira incrivelmente valiosa e simples de construir redes neurais e fazer análise e previsão de dados. Muito simples e funcional.

A curva de aprendizado é obviamente íngreme. Algumas das mensagens de erro podem ser difíceis de decifrar sem ajuda externa.

Permite treinar seus dados na nuvem distribuída do Google, que pode escalar milhões de registros. É muito útil para entusiastas de aprendizado de máquina. Geralmente, as pessoas usam laptops para treinar dados com milhares de registros. Mas não podemos escalar mais de mil registros em nosso laptop. É aí que este produto desempenha um papel importante.

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

Economizou muito tempo removendo a necessidade de manter as VMs.

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.

Minha experiência foi boa com isso.

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.

Eu tive a chance de usar alguns recursos do tensorFlow para o meu projeto da universidade, achei que ele tinha muitos recursos e aplicabilidade, especialmente aqueles gráficos de computação no NN

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

É essencialmente o melhor software de aprendizado de máquina e aprendizado profundo. Você pode visualizar o que está fazendo com o visualizador do painel, que é basicamente o Google Analytics para aprendizado profundo. Eu me apaixonei pelo Deep learning por causa do tensorflow.

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 profundidade de recursos que essa ferramenta fornece a torna inseparável para um pesquisador de vários setores, nesta era da IA.

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.

É a melhor coisa que já aconteceu no domínio Machine Learning for Image

Prepare-se para estudar muitos trabalhos de pesquisa para trabalhar com ele. como você ficará viciado em TF, como eu cheguei.

O TensorFlow pode fazer o que você quiser no aprendizado de máquina. O TensorBoard torna a visualização muito intuitiva. Você pode executar várias sessões em máquinas diferentes com várias GPUs sem reiniciar a máquina.

Não é de código aberto. Somente partes do mecanismo de IA são de código aberto.

muito muito muito preciso e quase mais esperto do que eu!

não é muito fácil de usar e leva um pouco para começar

Muito, muito rápido - você pode usar a implementação por GPU de algumas camadas do Keras no TensorFlow, é fácil de usar com o Theano

Muito difícil de começar, será ótimo ter muito mais tutoriais. E será útil ter mais treinamentos disponíveis.

O TensorFlow é uma biblioteca ML gratuita e de código aberto. Tem alto desempenho e combinará com os melhores da indústria.

O TensorFlow suporta apenas GPUs Nvidia e a única linguagem de programação totalmente suportada é python e javascript.

Eu usei isso no meu projeto de pesquisa em Processamento de linguagem natural.

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.

1. Econômico (pague conforme o uso) 2. Forneça uma maneira fácil de acessar dados e manipular a API da nuvem para automatizar operações escalonáveis

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.

- Design não intuitivo

- A documentação pode ser mais refinada

O TensorFlow é incrível. É poderoso e altamente personalizável. O programador pilota quase todos os pequenos detalhes.

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.

A estrutura foi incrível para mim, tanto no aprendizado de máquina quanto no desenvolvimento de projetos mais avançados.

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.

Tensorflow é o futuro da modelagem de aprendizado de máquina. Não há como contornar isso e nós, como empresa, temos a sorte de trazer essa tecnologia para a frente.

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.

Graças a uma grande comunidade e ao suporte de grandes empresas (como NVIDIA / Google), a Tensoflow oferece a capacidade de mergulhar profundamente no Machine Learning e Deep Learning com precisão.

O desenvolvedor final e evolutivo da API precisa manter-se informado regularmente das mudanças

Uso isso há um ano e meio, e é um bom aprendizado. E também eficiente para criar modelos de aprendizado profundo.

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.

Uma ótima ferramenta de aprendizado de máquina. É fácil de usar, com muitas funcionalidades.

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.

Rico apoio da comunidade e recursos de aprendizado.

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.

Tensorflow em uma estrutura de código-fonte aberto para Deep Learning. Existem boas visualizações da sua arquitetura de rede neural e do processo de aprendizado usando o Tensorboard. Além disso, existem muitos livros e tutoriais sobre como usá-lo. Assim, você pode implementar e treinar sua própria rede e visualizar a saída depois.

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.

Muitos algoritmos, modelos e exemplos podem ser encontrados e usados ​​para desenvolver uma solução de aprendizado de máquina. Tudo é gerenciado para otimizar o desempenho e impulsionar seu trabalho em direção a uma solução funcional.

É necessário um pouco de experiência em programação para entender as linhas de códigos implementadas.

Crie um modelo de aprendizado de máquina do zero e deseje poder total de personalização e escolha essa ferramenta.

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.

Reconhecimento de padrões humanos, reconhecimento de imagens. Hábitos e tendências.

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.

Eu usei o mecanismo do google ML para treinar um modelo com 1 milhão de dados. Computadores normais não permitem treinar um modelo com essa quantidade de dados.

podemos treinar modelos com muitos dados que contêm milhões de dados.

Não é fácil aprender usando suas documentações.

Quase tudo é personalizável pelo usuário, dando-lhe muito poder.

Meio difícil de entender desde o início.

Usando aprendizado de máquina em vários projetos. Todos eles precisavam do tensorflow mesmo quando eu não o estava usando diretamente, mas usando outros pacotes de aprendizado de máquina.

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.

It

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).

Usamos LSTMs de fluxo tensor para classificação de sequência para minerar padrões no log e no comportamento do cliente.

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.

Uso o Tensorflow para reconhecer imagens com base nos dados inseridos

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.

A implementação do algoritmo de aprendizado profundo é muito fácil. Ele possui muitos recursos integrados, como conv2d, conv3d, lstm etc., que tornam o trabalho em ML muito fácil e rápido. Computacionalmente, é muito mais rápido que outras bibliotecas ML.

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.

Definitivamente, minha primeira opção quando redes neurais estão envolvidas em minha pesquisa pessoal e profissional. Além disso, também possui API de alto nível (Keras), que facilita tudo.

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.

O TensorFlow é uma ótima iniciativa e um ótimo produto. Pode ser intimidador a princípio, mas, uma vez dominado, pode oferecer uma grande vantagem. A melhor parte é que ele abrange uma grande variedade de casos de uso de aprendizado de máquina, desde aprendizado supervisionado a não supervisionado, além de ótimo suporte para muitos idiomas e integração. Excelente apoio da comunidade e uma ótima visão pela frente.

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.

capacidade de fazer aprendizado de máquina na nuvem, com a capacidade de monitorar a qualidade dos dados e também transformar os dados ao longo do caminho para fornecer ótimos resultados nos modelos de ML.

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.

Na construção do projeto de ML, inicialmente, ele é executado pela versão da GPU da plataforma de hardware local Tensorflow, para que no momento do treinamento possa acelerar muito, mas devido ao alto custo da GPU, quando uma ordem de magnitude do projeto aumenta, o tempo de treinamento de crescimento exponencial, se quiser reduzir o tempo, apenas por meio de algoritmo ou hardware de otimização.Depois disso, mudei todo o projeto para a plataforma em nuvem para operação. Claro, também houve um problema. Os recursos do Aliyun foram todos baseados em uma configuração fixa para determinar preços diferentes.Finalmente, migrei para o Google Cloud ML Engine, que era barato e perfeitamente compatível com outros produtos do Google, como armazenamento em nuvem, fluxo de dados em nuvem e nuvem de dados. extensão do projeto e derivado tardio, oferece uma grande comodidade.

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.

Eu o usei para vários testes, ajuda a testar rapidamente uma hipótese. Muitas vezes, quando uma solução é necessária com urgência, o Cloud ML é a maneira mais rápida

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

Estou totalmente satisfeito com o uso e posso recomendá-lo a qualquer pessoa que esteja fazendo um projeto de aprendizado de máquina e IA.

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.

Ferramenta super poderosa e muito eficaz. Definitivamente recomendaria.

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.

Eu o usei nas minhas tarefas de processamento de imagens e aprendizado de máquina

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.

Eu implementei isso em meus projetos pessoais e ele fornece os resultados desejados; como produto do Google, ele possui toneladas de documentação, para que possamos aprender facilmente como usá-lo. A comunidade de suporte possui muitos recursos bons, onde todos podem ir em frente e pedir ou procurar as respostas.

A curva de aprendizado, como todas as estruturas necessárias para procurar documentação. Além disso, este produto é incrível.

Eu usei o tensorflow para o desenvolvimento de algumas aplicações de aprendizado profundo.

O Tensorflow é preferido por muitos setores para o desenvolvimento de arquitetura de aprendizado profundo.

Programar é um pouco difícil com o tensorflow

Construiu um classificador de imagens

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

Ele usa gráficos computacionais dinâmicos e estáticos

É bastante complexo entender enquanto você aprende, pois os códigos às vezes são ilegíveis

Eu uso o Tensorflow para projetar meu primeiro código em aprendizado de máquina para criar um jogo de carro de piloto automático.

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.

TF é uma biblioteca de código aberto que constrói redes neurais. É fácil instalar o TF em python. O conceito de TF é diferente de outras bibliotecas de aprendizado profundo em termos de construção de gráficos. Eu gosto desse conceito, pois também fornece visualização através do TensorBoard.

A documentação e as diretrizes podem ser aprimoradas.

Ótimo!

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!

É muito fácil e tem exemplos de código python para obter uma implantação mais rápida de aplicativos próprios.

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.

É uma ótima ferramenta para pessoas de pesquisa, acadêmicos e indústria que trabalham na próxima geração de aplicativos de aprendizado de máquina

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

Usei-o como nossa biblioteca de aprendizado de máquina, mas fui para melhores bibliotecas.

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.

Suporte para aceleração de GPU. Um grande número de tutoriais / recursos. Muitos algoritmos diferentes para escolher e muito flexíveis.

Requer experiência significativa - não um software simples. Desenvolvimento amplamente controlado por uma empresa - Google.

uma biblioteca obrigatória para aprendizado profundo e ML

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.

É necessário usar a biblioteca para desenvolver um novo algoritmo de aprendizado profundo, pois permite que você personalize tudo.

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.

Costumo trabalhar com o mecanismo ML, e isso me parece muito complexo. Por isso, sugiro que os Iniciantes iniciem primeiro o AutoML.

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.

Eu uso o tensorflow para aplicativos de aprendizado de máquina para encontrar correlações no mercado, mas o aplicativo me decepcionou e, desde então, mudei para outras bibliotecas, pois o tensorFlow era simplesmente difícil de usar.

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.

Eu gostei da integração de CPU e GPU do fluxo de tensor.

A integração de FPGA também deve ser adicionada. ML no FPGA está crescendo arquivado nos dias de hoje.

Ótima maneira de ter tudo em um só lugar - calendário, documentos, cálculos. Isso torna meu trabalho muito mais fácil e conveniente.

Tem tudo o que preciso em um só lugar, portanto, não há falhas

Amigo do usuário.

O uso da CPU está disponível apenas em porcentagem.

Usamos LSTMs de fluxo tensor para classificação de sequência para minerar padrões no log e no comportamento do cliente.

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.

Esta biblioteca é muito flexível para a criação de matrizes e tensores. Portanto, a criação de redes neurais muito profundas, mas rápidas e escalonáveis, prontas para uso, está ao seu alcance. Adicionada outra compatibilidade da Anaconda Library e Keras

A depreciação do código é frustrante. Para usar um formulário apenas para lançar uma mensagem de erro.

A melhor coisa é os serviços de treinamento e previsão.

Às vezes, ele trava e desmaia completamente

Melhor biblioteca para aprendizado profundo

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.

Me ajudou a criar vários modelos de aprendizado de máquina

Alguns dos profissionais são os seguintes:

Alguns dos contras são os seguintes:

Eles continuam adicionando todos os novos trabalhos e pesquisam idéias de última geração, que é um recurso essencial para uma biblioteca de aprendizado profundo.

As versões não são compatíveis com as versões anteriores. Esse é um problema enorme ao tentar manter um código criado em cima dele.

Você aprenderá muito com o TensorFlow. É uma boa maneira de entrar no mundo do aprendizado de máquina.

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.

O Tensorflow é um balcão único para a maioria dos aplicativos de aprendizado de máquina. A facilidade de uso não está realmente lá, mas depois que você aprende os processos necessários, tudo se encaixa. Nós o usamos para treinar vários modelos de aprendizado de máquina e não poderia ser mais feliz.

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.

Os benefícios que recebi deste software são modelagem mais precisa e uma visão interessante sobre o que torna um software melhor que outro. O TensorFlow fez por mim o que diz fazer - produz modelos de alta qualidade, como redes neurais, com muito capital humano.

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.

O Tensorflow é uma biblioteca de aprendizado de máquina de alto nível. Posso usá-lo para projetar estruturas de redes neurais sem escrever código C ++ ou CUDA18 para obter alta eficiência. Ele suporta o cálculo automático de derivada. O Tensorflow é implementado com C ++ e usa C ++ para simplificar a implantação online. Além da interface C ++, também fornece interfaces Python, Java e Go.

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.

Gosto da quantidade de armazenamento que você recebe para armazenar os módulos de treinamento concluídos. Também gosto das orientações fornecidas pelos assistentes para garantir que o seu produto acabado seja incrível.

Demorado.

Eles têm componentes visualmente atraentes. O suporte do google é a melhor característica que o tensorflow possui. Ele suporta uma ampla variedade de operações.

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.

Implantação rápida, os modelos podem ser implantados facilmente. É bem mantido e mantém-se atualizado. É de código aberto e o suporte da comunidade é bom

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.

Ferramentas e algoritmos de ML líderes do setor, com documentação e cursos de primeira linha para ajudar até os iniciantes a começar facilmente.

Poderia usar alguns modelos mais predefinidos para problemas comuns, para ajudar a não reinventar a roda.

* Fácil de começar.

* Serviço especial para estudantes pode ser fornecido.

O tensorflow atualiza e aprimora regularmente suas APIs regularmente e se transformou em um enorme repositório de ferramentas de aprendizado de máquina.

Requer hardware extenso para executar com eficiência e pode ser fornecida uma integração muito melhor com aplicativos de terceiros. Forneça uma documentação melhor.