به طور خلاصه، TensorFlow طراحی شده بود تا انعطاف پذیر، مقیاس پذیر و آماده تولید باشد و چارچوبهای موجود تنها دو مورد از این سه ویژگی را فراهم میکردند.
در اینجا به برخی نکات برجسته تنسورفلو اشاره میکنیم:
این کتابخانه نه تنها روی ویندوز، لینوکس و MacOS اجرا میشود، بلکه روی دستگاه های تلفن همراه، از جمله iOS و اندروید نیز قابل اجراست.
این کتابخانه یک API پایتون بسیار ساده به نام TF.Learn2 (tensorflow.contrib.learn) ارائه میدهد که با Scikit-Learn سازگار است. همانطور که خواهید دید، شما می توانید از آن برای آموزش انواع مختلف شبکه های عصبی فقط در چند خط کد استفاده کنید.
اینها قبلا یک پروژه مستقل به نام Scikit Flow (یا skflow) بود. این کتابخانه همچنین یک API ساده دیگر به نام TF-slim (tensorflow.contrib.slim) برای ساده سازی build کردن، آموزش و ارزیابی شبکه های عصبی ارائه می دهد. چند API سطح بالای دیگرر نیز مانند Keras یا Pretty Tensor ، به طور مستقل در ارتباط با تنسورفلو ، ساخته شده است.
اصلی ترین API پایتون این کتابخانه، انعطاف پذیری بسیار بیشتری (البته با پیچیدگی بیشتر) ارائه می دهد که برای انواع محاسبات، در هر نوعی از معماری شبکه های عصبی که فکرش را می کنید، مناسب است.
این کتابخانه شامل پیاده سازی C++ بسیار کارآمد عملگرهای یادگیری ماشین است که برای ساخت شبکه های عصبی به کار میروند. همچنین یک C++ API وجود دارد به خصوص برای کسانی که می خواهند عملیات high-performance مختص به خودشان را تعریف کنند. این رابط کاربری چندین گره بهینه سازی پیشرفته، برای جستجوی تابع پارامتری ارائه میدهد. های که به حداقل رساندن یک تابع هزینه. استفاده از این ویژگی بسیار آسان است زیرا تنسورفلو به طور خودکار هزینه مشتق گیری را با توجه به نوع تابع تعریف شده، کاهش میدهد. این کار افتراق اتوماتیک (یا autodiff) نامیده می شود. این کتابخانه همچنین با یک ابزار تجسم فوق العاده به نام TensorBoard همراه است که اجازه می دهد نمودار محاسباتی، منحنی های یادگیری و ... را مشاهده کنید و به جست و جو در میان آنها بپردازید.
گوگل همچنین یک سرویس ابری برای اجرای نمودارهای TensorFlow راه اندازی کرده است. در آخر باید گفت، این کتابخانه یک تیم اختصاصی از توسعه دهندگان پرشور و حرفه ای و یک جامعه رو به رشد دارد که به بهبود آن کمک میکنند و یکی از محبوب ترین پروژه های منبع باز درر GitHub است و هر روز پروژه های بزرگ بیشتر و بیشتری بر مبنای آن ساخته میشود (برای نمونه، صفحه منابع را درر https://www.tensorflow.org یا https://github.com/jtoy/awesome-tensorflow چک کنید).
برای پرسیدن سوالات تخصصی، شما باید از http://stackoverflow.com استفاده کرده و سوال خود را با "tensorflow" تگ کنید. شما می توانید اشکالات و درخواستهای خاص خود را از طریق GitHub مطرح کنید. برای بحث کلی، به گروه گوگل بپیوندید.