Avis et détails du produit de Keras

J'aime que TensorFlow s'éloigne des formats TensorFlow Extended, Slim, Keras, etc. pour tout faire dans Keras. C'est frustrant de voir du matériel qui vante le support des modèles TensorFlow pour découvrir que le logiciel associé ne prend en charge que les modèles de l'API de détection d'objets ou uniquement les modèles TensorFlow Extended. Je veux que les choses fonctionnent simplement à travers les bibliothèques matérielles et logicielles. Avis collecté par et hébergé sur G2.com.

Bien que Keras soit une amélioration vers une personnalisation facile des modèles existants, il ne va pas assez loin pour faciliter l'essai de diverses architectures personnalisées. Des choses simples comme pouvoir visualiser les poids sur un neurone et le retirer chirurgicalement s'il ne répond pas à certains critères personnalisés, puis sauvegarder et recharger ne sont pas prises en charge. J'utilise des projets tiers pour essayer de rendre cela plus facile (https://github.com/Raukk/tf-keras-surgeon/), mais j'ai l'impression que le projet tiers est un peu un bricolage et pourrait être amélioré en ayant un support natif de la bibliothèque.

Il est difficile de prendre un nouveau modèle amélioré qu'une autre personne a écrit et de le modifier avec la méthode d'un article récent consistant à remplacer toutes les couches X par Y, pour lesquelles ils ont constaté une certaine amélioration. J'ai environ vingt articles avec des améliorations par rapport à un modèle de base et beaucoup d'entre eux ne sont pas indépendants, mais les intégrer tous dans un seul modèle est inutilement difficile. Avis collecté par et hébergé sur G2.com.

1. J'aime le fait qu'avec très peu de lignes de code et peu de connaissances sur l'apprentissage profond et les réseaux de neurones convolutionnels, on peut facilement construire un classificateur d'images en lisant simplement sa documentation.

2. La communauté Keras et le soutien des développeurs sont très élevés et actifs, donc il y a beaucoup de tutoriels sur Keras disponibles.

3. J'aime le fait que je peux facilement intégrer Keras et Scikit-learn, et appliquer des fonctions sur Scikit-learn telles que les ensembles, la validation croisée et l'empilement. Avis collecté par et hébergé sur G2.com.

Keras est un cadre de haut niveau pour l'apprentissage profond, ce qui rend la personnalisation et l'ajustement difficiles. Avis collecté par et hébergé sur G2.com.

Keras is an open source deep learning framework with lots and lots of features it allows you to do so many things like creating multi later neural networks etc. Keras is performs computations quickly and it is built upon Tensorflow which is one of the best frameworks out there. The fact I can build a full neural network in less than 9 lines is because of keras. It also has all the required deep learning functions killer Dropout,Dense, softmax amongst others Avis collecté par et hébergé sur G2.com.

Keras is structured as an API to simply make function calls to Tensorflow. Making it hard to implement features that aren't out of the box Avis collecté par et hébergé sur G2.com.

Keras est très flexible et convivial en ce qui concerne l'entraînement des modèles. Avis collecté par et hébergé sur G2.com.

Pas compatible avec Tensorflow. Impossible de convertir certains modèles TF entraînés en Keras. Avis collecté par et hébergé sur G2.com.

Je crois que Keras est l'un des principaux piliers qui ont élevé l'apprentissage profond à son niveau actuel. Il est facile à utiliser et puissant. L'intégration transparente avec Tensorflow est fantastique. Keras est l'un des meilleurs sinon le meilleur. Avis collecté par et hébergé sur G2.com.

La seule chose que je n'ai pas aimée pendant mon voyage avec Keras est la façon dont ils n'ont pas bien maintenu la compatibilité ascendante. Parfois, j'ai dû apporter des changements majeurs pour accueillir les nouvelles versions. Avis collecté par et hébergé sur G2.com.

C'est le frontend que chaque bibliothèque de ML devrait utiliser. L'API est assez compréhensible, construire des couches a du sens, l'API estimator de TensorFlow est trop perdue dans les détails pour abstraire une telle facilité d'utilisation. Fonctions de perte, activations, optimiseurs, LSTM, vous avez tout. Avis collecté par et hébergé sur G2.com.

Nombre de problèmes ouverts sur GitHub, ce projet a besoin de plus de soutien dirigé. Il peut révolutionner le monde de l'IA. TensorFlow a réalisé son importance et l'a optimisé pour l'intégrer dans les racines en 2.0 mais 2.0 n'est toujours pas publié sur le canal stable. Encore quelques mois peut-être. Avis collecté par et hébergé sur G2.com.

J'aime la facilité que Keras offre, un brillant emballage abstrait autour de TensorFlow, vous permettant de créer la plupart des personnalisations pour les réseaux neuronaux. Avis collecté par et hébergé sur G2.com.

Le fait que Keras abandonne des fonctionnalités pour d'autres frameworks l'un après l'autre et prouve être une forte abstraction de TF. Quelle est la différence entre TF.keras alors ? Avis collecté par et hébergé sur G2.com.

facile à déployer des modèles, les affiner et les exporter Avis collecté par et hébergé sur G2.com.

la documentation est insuffisante ; seuls les réseaux les plus basiques sont clairement expliqués ; les concepts derrière les hyperparamètres ne sont pas expliqués du tout (qu'est-ce qu'un optimiseur ? quelle est la différence entre adagrad et adam ?) ; Avis collecté par et hébergé sur G2.com.

Keras is a high level API. It is easy to use. Better than tensorflow (low level api). Avis collecté par et hébergé sur G2.com.

There is nothing in keras which you don't like. It is perfect. Avis collecté par et hébergé sur G2.com.

If you want to quickly build and test a neural network with minimal lines of code, Keras is the best framework. With Keras, you can build simple or very complex neural networks within a few minutes. Keras is more user friendly. Avis collecté par et hébergé sur G2.com.

If someone wants more control over your network and want to watch closely what happens with the network over the time, Tensor Flow is the right choice. Keras has been integrated in TF, it is wiser to build your network using tf.keras and insert anything you want in the network using pure TensorFlow. Avis collecté par et hébergé sur G2.com.