텐서플로우의 장점 (2)

깊은 유연성 Deep Flexibility

 

TensorFlow isn't a rigid neural networks library.
TensorFlow는 경직된 신경망(NN) 라이브러리가 아닙니다.

If you can express your computation as a data flow graph, you can use TensorFlow.
계산을 데이터흐름그래프로 표현할 수 있다면 TensorFlow를 사용할 수 있습니다.

 

You construct the graph, and you write the inner loop that drives computation.
그래프를 작성한 다음, 계산을 구동시키는 내부(inner) 루프를 작성합니다.

We provide helpful tools to assemble subgraphs common in neural networks, but users can write their own higher-level libraries on top of TensorFlow.
NN에서 일반적인 서브그래프 조립용 도구가 제공되지만, 사용자는 TensorFlow에 각자의 상위-레벨 라이브러리들을 작성할 수 있습니다.

Defining handy new compositions of operators is as easy as writing a Python function and costs you nothing in performance.
파이썬 함수를 작성하는 것처럼 운영자가 편리한 구성을 새롭게 정의하는 것도 쉬우며, 성능 면에서 비용도 들지 않습니다.

And if you don't see the low-level data operator you need, write a bit of C++ to add a new one.
그리고 필요한 하위-레벨 데이터 운영자가 표시되지 않으면, 새로운 것을 추가하기 위하여 약간의 C ++를 작성합니다.

 

진정한 휴대성 True Portability

 

TensorFlow runs on CPUs or GPUs, and on desktop, server, or mobile computing platforms.
TensorFlow는 CPU나 GPU, 데스크탑, 서버 또는 모바일 컴퓨팅 플랫폼 위에서 가동 됩니다.

Want to play around with a machine learning idea on your laptop without need of any special hardware?
특별한 하드웨어가 없이 노트북에서 기계학습 아이디어를 구현하고 싶으십니까?
TensorFlow has you covered. TensorFlow가 가능하게 해줍니다.

Ready to scale-up and train that model faster on GPUs with no code changes?
코드 변경 없이 GPU 상에서 해당 모델을 확장하고 훈련시킬 준비가 되어 있습니까?
TensorFlow has you covered. TensorFlow가 가능하게 해줍니다.

 

Want to deploy that trained model on mobile as part of your product?
귀사 제품의 일부로서 모바일에 훈련된 모델을 설치하길 원하나요?
TensorFlow has you covered. TensorFlow가 가능하게 해줍니다.

Changed your mind and want to run the model as a service in the cloud?
마음을 바꿔 클라우드 서비스 모델로 운영하고 싶으십니까?

 

Containerize with Docker and TensorFlow just works.
Docker로 컨테이너화 해서 TensorFlow를 작동시킬 수 있습니다.

 

연구 및 제품화 연계 Connect Research and Production

 

Gone are the days when moving a machine learning idea from research to product require a major rewrite.
ML 아이디어를 연구에서 제품화 하기 위해 대부분을 재작성하던 시절은 갔습니다.

At Google, research scientists experiment with new algorithms in TensorFlow, and product teams use TensorFlow to train and serve models live to real customers.
구글의 연구과학자들은 TensorFlow에서 새로운 알고리즘을 실험하고, 제품 팀은 TensorFlow를 사용하여 모델을 훈련하고, 실제 고객에게 제공합니다.

Using TensorFlow allows industrial researchers to push ideas to products faster, and allows academic researchers to share code more directly and with greater scientific reproducibility.
TensorFlow를 사용하면 업계 연구원들은 보다 빠르게 아이디어를 제품화할 수 있으며, 학술연구자들은 코드를 보다 직접적으로 공유하게 되어 과학적 재생산성이 더 커집니다.

 

자동-미분 Auto-Differentiation

 

Gradient based machine learning algorithms will benefit from TensorFlow's automatic differentiation capabilities.
기울기(Gradient) 기반 ML 알고리즘은 TensorFlow의 자동미분기능(automatic differentiation capabilities)의 효과를 볼 수 있습니다.

As a TensorFlow user, you define the computational architecture of your predictive model, combine that with your objective function, and just add data -- TensorFlow handles computing the derivatives for you.
TensorFlow 사용자는 예측모델의 계산구조를 정의하고, 그 계산구조를 목적함수(objective function)와 결합하고, 데이터를 추가시키면 됩니다 -- TensorFlow는 미분(derivatives) 계산 을 처리합니다.

Computing the derivative of some values w.r.t. other values in the model just extends your graph, so you can always see exactly what's going on.
모델 안에서 다른 값과 관련된 일부 값의 미분 계산이 그래프를 확장하여, 항상 무슨 일이 진행되고 있는지 정확히 볼 수 있습니다.

 

Language Options   언어 옵션

 

TensorFlow comes with an easy to use Python interface and a no-nonsense C++ interface to build and execute your computational graphs.
TensorFlow은 계산그래프를 구축하고 실행하기 위하여 파이썬 인터페이스와 실제적 C ++ 인터페이스를 사용하기가 쉽습니다.

Write stand-alone TensorFlow Python or C++ programs, or try things out in an interactive TensorFlow iPython notebook where you can keep notes, code, and visualizations logically grouped.
논리적으로 그룹화된 노트, 코드 및 시각화를 유지할 수 있는, 독립형 TensorFlow 파이썬 또는 C ++ 프로그램을 작성 하거나, 또는 상호작용형 TensorFlow iPython 노트북에서 시도하십시오.

This is just the start though -- we’re hoping to entice you to contribute SWIG interfaces to your favorite language -- be it Go, Java, Lua, Javascript, or R.
이제 시작에 불과하기 때문에, 선호하는 언어 -- 자바, Lua, 자바스크립트 또는 R에 대한 SWIG 인터페이스에 기여하기를 희망합니다.