Iepriekš izveidotajiem GluonTS un TensorFlow modeļiem ir vairākas būtiskas atšķirības:
1. Ieviešanas sistēma:
- GluonTS: izveidots, pamatojoties uz Apache MXNet dziļo mācību sistēmu un izmanto Gluon API.
- TensorFlow: izveidots uz TensorFlow sistēmas.
2. Modeļa sastāvdaļas:
- GluonTS: nodrošina plašu komponentu klāstu laikrindu modeļu veidošanai, tostarp neironu tīklus, varbūtības modeļus un stāvokļa telpas modeļus.
- TensorFlow: ietver dažādus iepriekš sagatavotus modeļus dažādiem mašīnmācīšanās uzdevumiem, piemēram, attēlu klasifikācijai un objektu noteikšanai.
3. Modeļa izstrāde:
- GluonTS: paredzēts zinātniekiem un pētniekiem, lai ātri izstrādātu un salīdzinātu jaunus laikrindu modeļus.
- TensorFlow: galvenokārt izmanto konkrētu modeļu, piemēram, DeepAR, ieviešanai.
4. Lietošana un mērķis:
- GluonTS: visaptverošs rīku komplekts laikrindu modeļu veidošanai un salīdzinošajai novērtēšanai.
- TensorFlow: plašāks pamats padziļinātiem mācību uzdevumiem.
5. Papildfunkcijas:
- GluonTS: iekļauti rīki ātrai eksperimentēšanai, tostarp datu ievade/izvade, modeļa novērtēšana un diagrammu veidošanas utilītas.
- TensorFlow: neietver šos rīkus.
6. Iepriekš komplektētie modeļi:
- GluonTS: ietver jaunāko laika rindu modeļu iepriekš komplektētos implementācijas.
- TensorFlow: ietver iepriekš izveidotus modeļus dažādiem uzdevumiem, bet ne īpaši laika rindu prognozēšanai.
7. Modeļa novērtējums:
- GluonTS: ietver modeļu novērtēšanas rīkus un nodrošina salīdzinošās novērtēšanas sistēmu.
- TensorFlow: neietver īpašus modeļu novērtēšanas rīkus.
8. Prasības attiecībā uz datiem:
- GluonTS: atbalsta gan vienfaktoru, gan daudzfaktoru laikrindu datus.
- TensorFlow: nenorāda datu prasības.
9. Modeļa izvēles kritēriji:
- GluonTS: nodrošina kritērijus, kas līdzīgi kritērijiem, izvēloties starp automātiski regresīviem (AR) modeļiem un ETS modeļiem.
- TensorFlow: nenodrošina īpašus kritērijus izvēlei starp modeļiem.
10. Kopiena un atbalsts:
- GluonTS: aktīvi uzturēts un izmantots Amazon, ar augošu kopienu un plašu dokumentāciju.
- TensorFlow: plaši izmanto un atbalsta TensorFlow kopiena.
Rezumējot, lai gan GluonTS un TensorFlow nodrošina iepriekš izveidotus modeļus, GluonTS ir visaptverošāks rīku komplekts, kas īpaši izstrādāts laikrindu modelēšanai, ar plašāku komponentu un rīku klāstu ātrai eksperimentēšanai. No otras puses, TensorFlow ir plašāks padziļināto mācību uzdevumu ietvars, koncentrējoties uz konkrētu modeļu, piemēram, DeepAR[1][3][4][5], ieviešanu.
Citāts:[1] https://arxiv.org/pdf/1906.05264.pdf
[2] https://www.tensorflow.org/js/guide/premade_models
[3] https://matheo.uliege.be/bitstream/2268.2/10466/6/Master_Thesis_Final%2811%29.pdf
[4] https://dl.acm.org/doi/pdf/10.5555/3455716.3455832
[5] https://www.jmlr.org/papers/volume21/19-820/19-820.pdf