再现性挑战 机器学习研究的挑战之一是确保发布的结果可靠且可重复。 因此,许多框架(例如mlflow,wandb和其他框架)用于跟踪超参数。 这样,我们希望结果在机器学习工作流程中是可重现的。 尽管在代码中已建立种子,但,张量流/ keras中的某些算法仍涉及随机性,因此也带来了挑战。 为了调查该问题,我们根据经验比较命名的框架,并突出显示每个框架的可用性。 即,对于许多算法,我们旨在找到答案“哪种框架最适合此类任务?”