GluonTSi ja TensorFlow eelehitatud mudelitel on mitu peamist erinevust.
1. Rakendamise raamistik:
- GluonTS: ehitatud Apache MXNeti süvaõpperaamistikule ja kasutab Gluoni API-d.
- TensorFlow: ehitatud TensorFlow raamistikule.
2. Mudeli komponendid:
- GluonTS: pakub laias valikus komponente aegridade mudelite, sealhulgas närvivõrkude, tõenäosusmudelite ja olekuruumi mudelite loomiseks.
- TensorFlow: sisaldab mitmesuguseid eelvalmistatud mudeleid erinevate masinõppeülesannete jaoks, nagu kujutiste klassifitseerimine ja objektide tuvastamine.
3. Mudelite väljatöötamine:
- GluonTS: loodud teadlastele ja uurijatele uute aegridade mudelite kiireks väljatöötamiseks ja võrdlemiseks.
- TensorFlow: kasutatakse peamiselt konkreetsete mudelite (nt DeepAR) rakendamiseks.
4. Kasutamine ja eesmärk:
- GluonTS: põhjalik tööriistakomplekt aegridade mudelite koostamiseks ja võrdlemiseks.
- TensorFlow: laiem raamistik süvaõppe ülesannete jaoks.
5. Lisafunktsioonid:
- GluonTS: sisaldab tööriistu kiireks katsetamiseks, sealhulgas andmete sisend/väljund, mudeli hindamine ja joonistamise utiliidid.
- TensorFlow: ei sisalda neid tööriistu.
6. Eelkomplekteeritud mudelid:
- GluonTS: sisaldab nüüdisaegsete aegridade mudelite eelkomplekteeritud rakendusi.
- TensorFlow: sisaldab erinevate ülesannete jaoks valmismudeleid, kuid mitte spetsiaalselt aegridade prognoosimiseks.
7. Mudeli hindamine:
- GluonTS: sisaldab tööriistu mudelite hindamiseks ja pakub võrdlusuuringu raamistikku.
- TensorFlow: ei sisalda konkreetseid tööriistu mudeli hindamiseks.
8. Andmenõuded:
- GluonTS: toetab nii ühe- kui ka mitmemõõtmelisi aegridade andmeid.
- TensorFlow: ei täpsusta andmenõudeid.
9. Mudeli valiku kriteeriumid:
- GluonTS: pakub kriteeriume, mis on sarnased automaatregressiivsete (AR) mudelite ja ETS-mudelite valiku kriteeriumitega.
- TensorFlow: ei paku konkreetseid kriteeriume mudelite vahel valimiseks.
10. Kogukond ja tugi:
- GluonTS: Amazonis aktiivselt hooldatud ja kasutatav koos kasvava kogukonna ja ulatusliku dokumentatsiooniga.
- TensorFlow: TensorFlow kogukonna laialdaselt kasutatav ja toetatud.
Kokkuvõtteks võib öelda, et kuigi nii GluonTS kui ka TensorFlow pakuvad eelehitatud mudeleid, on GluonTS ulatuslikum tööriistakomplekt, mis on spetsiaalselt loodud aegridade modelleerimiseks ning millel on laiemas valikus komponente ja tööriistu kiireks katsetamiseks. TensorFlow seevastu on laiem raamistik süvaõppeülesannete jaoks, keskendudes konkreetsete mudelite, nagu DeepAR[1][3][4][5] rakendamisele.
Tsitaadid:[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