TensorFlow
Googles open-source framework til machine learning og deep learning. Det mest udbredte ML-framework i produktion med stærkt økosystem og deployment-muligheder.
https://www.tensorflow.orgTensorFlow er et open-source machine learning-framework udviklet af Google Brain-teamet og frigivet i november 2015. Det er et af verdens mest udbredte ML-frameworks, særligt i produktionsmiljøer, og understøtter alt fra simpel lineær regression til komplekse deep learning-modeller.
Navnet stammer fra "tensors" - multidimensionelle arrays der flyder ("flows") gennem beregningsgrafer. Selvom TensorFlow 1.x var baseret på statiske beregningsgrafer, introducerede TensorFlow 2.0 eager execution som standard, hvilket gør koden mere intuitiv og lettere at debugge.
Kernefunktionalitet inkluderer: automatisk differentiering for gradient-beregning, GPU/TPU-acceleration for hurtig træning, distribueret træning på tværs af flere maskiner, og et omfattende økosystem af værktøjer og biblioteker.
Keras er TensorFlows high-level API og den anbefalede måde at bygge modeller på. Det tilbyder en brugervenlig, modulær tilgang til at definere neurale netværk med Sequential eller Functional API. Keras gør det muligt at bygge og træne modeller med bare et par linjer kode.
TensorFlow Lite muliggør deployment af modeller på mobile enheder og IoT-devices med optimerede, kompakte modeller. TensorFlow.js kører modeller direkte i browseren eller Node.js. TensorFlow Serving er designet til at serve modeller i produktion med høj ydeevne og lav latency.
TensorBoard er et kraftfuldt visualiseringsværktøj der følger med TensorFlow. Det giver realtidsovervågning af træningsmetrikker, visualisering af modellers arkitektur, embedding-projektioner og profileringsværktøjer til at identificere flaskehalse.
TensorFlow Hub tilbyder et bibliotek af genbrugelige, fortrænede modeller der kan finjusteres til specifikke opgaver (transfer learning). TensorFlow Extended (TFX) er en platform til at bygge komplette ML-pipelines fra dataindtag til deployment.
Sammenlignet med PyTorch har TensorFlow traditionelt været stærkere i produktionsmiljøer og på mobile platforme, mens PyTorch har været foretrukket i forskningsmiljøer. Med TensorFlow 2.0 er forskellen dog blevet mindre.
Video-introduktion
TensorFlow in 100 Seconds - Fireship
Styrker
Andre frameworks
PyTorch
Python, C++Facebooks deep learning-framework der er blevet standarden i forskningsmiljøer. Kendt for sin Pythoniske API, dynamiske beregningsgrafer og intuitive debugging.
Scikit-learn
PythonDet mest populære Python-bibliotek til klassisk machine learning. Tilbyder en konsistent API til hundredvis af algoritmer med fremragende dokumentation.
Keras
PythonEt brugervenligt high-level API til deep learning der gør det muligt at bygge og træne neurale netværk med minimal kode. Nu integreret som standard API i TensorFlow.