Enable javascript in your browser for better experience. Need to know to enable it? Go here.
La información en esta página no se encuentra completamente disponible en tu idioma de preferencia. Muy pronto esperamos tenerla completamente disponible en otros idiomas. Para obtener información en tu idioma de preferencia, por favor descarga el PDF aquí.
Última actualización : Nov 20, 2019
NO EN LA EDICIÓN ACTUAL
Este blip no está en la edición actual del Radar. Si ha aparecido en una de las últimas ediciones, es probable que siga siendo relevante. Si es más antiguo, es posible que ya no sea relevante y que nuestra valoración sea diferente hoy en día. Desgraciadamente, no tenemos el ancho de banda necesario para revisar continuamente los anuncios de ediciones anteriores del Radar. Entender más
Nov 2019
Trial ? Vale la pena intentarlo. Es importante entender cómo construir esta habilidad. Las empresas deberían implementar esta tecnología en un proyecto que pueda manejar el riesgo.

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.

Nov 2016
Assess ? Vale la pena explorarlo con el objetivo de entender cómo afectará a tu empresa.

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.

Apr 2016
Assess ? Vale la pena explorarlo con el objetivo de entender cómo afectará a tu empresa.
Publicado : Apr 05, 2016

Descargar Radar Tecnológico Volumen 29

 

English | Español | Português | 中文

Mantente informado sobre la tecnología

 

Suscríbete ahora

Visita nuestro archivo para leer los volúmenes anteriores