¿Cuáles son las ventajas y desventajas de TensorFlow?
El predecesor del marco TensorFlow es DistBelief V2 de Google, que es la biblioteca de herramientas de red profunda del proyecto Google Brain. Algunas personas creen que TensorFlow fue reconstruido en base a Theano.
Una vez que Tensorflow fue de código abierto, inmediatamente atrajo a una gran cantidad de desarrolladores para seguirlo. Tensorflow admite una amplia gama de funciones que incluyen imágenes, escritura a mano, reconocimiento de voz, predicción y procesamiento del lenguaje natural. TensorFlow sigue la licencia de código abierto Apache 2.0.
TensorFlow lanzó su versión 1.0 el 15 de febrero de 2017. Esta versión es una integración de ocho versiones anteriores incompletas. Las siguientes son algunas de las razones del éxito de TensorFlow:
TensorFLow proporciona estas herramientas:
TensorBroad es una herramienta de visualización y construcción de redes visuales bien diseñada;
TensorFlow Serving facilita la configuración de nuevos algoritmos y entornos manteniendo la misma arquitectura de servidor y API. TensorFlow Serving también proporciona modelos listos para usar y se puede ampliar fácilmente para admitir modelos y datos adicionales.
Las interfaces de programación de TensorFlow incluyen Python y C++, las interfaces de lenguaje Java, Go, R y Haskell también son compatibles con la versión alfa. Además, TensorFlow también es compatible con los entornos de nube de Google y Amazon.
La versión 0.12 de TensorFlow es compatible con los sistemas Windows 7, 8 y Server 2016. Gracias al uso de la biblioteca C++ Eigen, la biblioteca de clases TensorFlow se puede compilar y optimizar en la plataforma de arquitectura ARM. Esto significa que puede implementar modelos entrenados en una variedad de servidores y dispositivos móviles sin implementar decodificadores de modelos o intérpretes de Python adicionales.
TensorFlow proporciona capas de red detalladas para que los usuarios puedan crear nuevas estructuras de capas complejas sin tener que implementarlas desde abajo hacia arriba. Los subgrafos permiten a los usuarios ver y restaurar datos para cualquier borde del gráfico. Esto es muy útil para depurar cálculos complejos.
TensorFlow distribuido se lanzó en la versión 0.8, que proporciona soporte de computación paralela, lo que permite entrenar diferentes partes del modelo en paralelo en diferentes dispositivos.
TensorFlow se imparte en la Universidad de Stanford, Berkeley College, la Universidad de Toronto y Udacity (una escuela en línea establecida en marzo de 2016).
Las desventajas de TensorFlow son:
Cada flujo de cálculo debe construirse como un gráfico, sin bucles simbólicos, lo que dificulta algunos cálculos;
No hay volumen tridimensional Debido a la acumulación, no puede realizar reconocimiento de video;
Aunque es 58 veces más rápido que la versión original (0.5), el rendimiento de ejecución aún no es tan bueno como el de sus competidores.