LMI-MAG1 DEC 2019 - Magazine - Page 39
TENSORFLOW ET LA CONCURRENCE
TensorFlow est en concurrence avec une multitude d’autres
frameworks d’apprentissage machine. Notamment avec PyTorch,
CNTK et MXNet, trois frameworks majeurs qui répondent à un grand
nombre de besoins similaires. Voici rapidement ce qui les distingue et
ce qui manque à chacun de ces frameworks par rapport à TensorFlow.
PyTorch, en plus du fait qu’il est construit en Python, présente
de nombreuses similitudes avec TensorFlow : ses composants
sont accélérés par le hardware sous le capot ; son modèle de
développement hautement interactif permet un travail de designas-you-go ; il inclut par défaut de nombreux composants utiles. De
façon générale, PyTorch est une meilleure option pour développer
rapidement des projets qui doivent être opérationnels en peu de
temps, mais TensorFlow l’emporte pour les projets plus importants
et les workflows plus complexes.
Comme TensorFlow, CNTK, le Microsoft Cognitive Toolkit, utilise
une structure graphique pour décrire le flux de données, mais
il se concentre surtout sur la création de réseaux neuronaux
d’apprentissage profond. CNTK est capable de gérer plus rapidement
de nombreux travaux de réseau neuronal, et il dispose d’un ensemble
plus large d’API (Python, C++, C#, Java). Mais CNTK n’est pas aussi
facile à apprendre ou à déployer que TensorFlow.
Deuxième génération du système
Google Brain, TensorFlow a été
développé par une équipe de
plusieurs ingénieurs logiciels
dont Jeff Bean, aujourd’hui senior
fellow chez Google.
TENSORFLOW
2.0
version bêta depuis
le mois de juin 2019,
apporte différentes
évolutions qui
tiennent compte des
commentaires des
utilisateurs.
Apache MXNet, adopté par Amazon comme premier framework
d’apprentissage profond sur AWS, peut évoluer de manière presque
linéaire sur plusieurs GPU et plusieurs machines. Il prend également
en charge un large éventail d’API de langage - Python, C++, Scala, R,
JavaScript, Julia, Perl, G - mais ses API natives ne sont pas aussi
agréables à utiliser que celles de TensorFlow.
TENSORFLOW 2.0 RENFORCE L’INTÉGRATION
AVEC KERAS ET TENSORRT
Avec une expérience de
développement proche de l’univers
Python, la version 2.0 de TensorFlow
s’intègre étroitement avec Keras
en apportant l’eager execution par
défaut. Le très populaire framework
d’apprentissage machine a standardisé
un format de fichier pour l’exécution
des modèles d’entraînement et accéléré
ses performances avec le support du
multi-GPU.
RETROUVER
LE POINT SUR
TENSORFLOW 2.0
Article
bit.ly/2QLIBNK
39