Tensorflow

Con su versión 2.0, TensorFlow mantiene su prominencia como framework líder en el sector de Machine Learning (ML). TensorFlow comenzó como un paquete de procesamiento numérico que se expandió gradualmente para incluir librerías que permiten varias aproximaciones y entornos de ejecución de ML, abarcando desde las CPUs de los móviles hasta grandes clusters de GPUs. Por el camino, se habilitó una gran cantidad de frameworks para simplificar las tareas de creación de redes neuronales y entrenamiento. Al mismo tiempo, otras frameworks, especialmente PyTorch, ofrecían un modelo de programación imperativa que hacía la depuración y ejecución más simple y fácil. TensorFlow 2.0 sigue ahora por defecto a flujo imperativo (ejecución eager) y adopta Keras como única API de alto nivel. Mientras estos cambios modernizan la usabilidad de TensorFlow y lo hacen más competitivo frente a PyTorch, se trata de una reescritura significativa que a menudo rompe la retrocompatibilidad — muchas herramientas y frameworks de servicio en el ecosistema de TensorFlow no funcionarán de manera inmediata con la nueva versión. De momento, hay que considerar si queremos diseñar y experimentar en TensorFlow 2.0 pero volver a la versión 1 para servir y ejecutar los modelos en producción.

Google's TensorFlow is an open source machine-learning platform that can be used for everything from research through to production and will run on hardware from a mobile CPU all the way to a large GPU compute cluster. It's an important platform because it makes implementing deep-learning algorithms much more accessible and convenient. Despite the hype, though, TensorFlow isn't really anything new algorithmically: All of these techniques have been available in the public domain via academia for some time. It's also important to realize that most businesses are not yet doing even basic predictive analytics and that jumping to deep learning likely won't help make sense of most data sets. For those who do have the right problem and data set, however, TensorFlow is a useful toolkit.