Com seu lan?amento 2.0, o mant¨¦m sua proemin¨ºncia como o framework de aprendizado de m¨¢quina l¨ªder da ind¨²stria. O TensorFlow come?ou como um pacote de processamento num¨¦rico que gradualmente se expandiu para incluir bibliotecas que suportavam uma variedade de abordagens de aprendizado de m¨¢quina e ambientes de execu??o, variando de CPU mobile para grandes clusters de GPU. Ao longo do caminho, uma grande quantidade de frameworks ficou dispon¨ªvel para simplificar as tarefas de cria??o de redes e treinamento. Ao mesmo tempo, outros frameworks, notadamente o PyTorch, ofereciam um modelo de programa??o crucial que deixavam o debugging e execu??o mais simples e mais f¨¢ceis. O TensorFlow 2.0 agora tem como padr?o o fluxo imperativo (execu??o eager) e adota a Keras como ¨²nica API de alto n¨ªvel. Embora essas mudan?as modernizem a usabilidade do TensorFlow e o deixem mais competitivo com o PyTorch, ¨¦ uma reescrita significativa que muitas vezes tem problemas de compatibilidade ¨C muitas ferramentas e frameworks auxiliares no ecossistema do TensorFlow n?o funcionar?o imediatamente com a nova vers?o. Por enquanto, considere se voc¨º quer projetar e experimentar no TensorFlow 2.0, mas reverta para a vers?o 1 para executar seus modelos em produ??o.
Google's 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.
