Colab與Teachable Machine

google提供了不少機器學習資源，包括我們很常用的colab，以及有一段歷史，提供方便介面的Teachable machine。由於網路上範例－－其實google提供的文檔也夠仔細了，我們不討論使用方法，今天來看一下這兩款學習資源的主要差別吧。

在便利性上面來看，Teachable machine由於有比較完整的網頁介面，因此優於必須自己撰寫的colab。但因為是寫死的東西，沒辦法跳脫原本設計的框架，若想訓練比較特殊的模型colab才有辦法自訂樣本形式。

不過Colab與其說是採樣，不如說他只能吃我們上傳的訓練資料。

令人遺憾的是，Teachable machine本身是將訓練用的JS庫放入電腦中，並且用電腦本身的資源訓練。因此這一點來看使用雲端資源訓練的colab勝出－－尤其是你萬一手上就只有有限運算資源的時候絕對不會想用Teachable machine。

Teachable machine一樣提供了完整介面，但和取樣一樣面對了同樣的問題：被寫死的框架綁住。優點就是方便、快速，作為初學來說無可挑剔。

colab在這一點上有絕對的自由度，Teachable machine則是限定的模型。

因為Teachable machine的不可變更性，因此額外功能只討論colab的部分。colab支援markdown語法，也可以輸出PDF直接變成報告形式。功能包括但不限於跑機器學習任務…如果想練習寫一般python也沒什麼問題。

比較適合初學者或無基礎者，他提供了完整的配套方式建立機器學習系統。並且對於嵌入式裝置的配套也做得很好（Teachable machine有提供量化模型輸出和執行－－這比起一昧的提升嵌入式的算力更理想一點）。

唯一缺點大概是因為操作太簡單，大概3分鐘左右就可以學會，因此無法拉長教學時間。比較常當成一個體驗型的範例，對於啟蒙階段的學生來說是個不錯的範例…但要開一整門課，過於勉強。別說是一整門，開一天本鳥都覺得有點困難…

可以使用的範圍更加廣泛，雖然需要學習一點colab的基本操作，但在他提供的資源和便利性面前其實算是很微小的問題。比較適合學校一學期性質的教學，或者是中高階人士需要自己調整模型時使用。

且因為雲端訓練，所以整個流程可以僅在嵌入式裝置上完成。若個人（或學校）電腦性能有限，這會是一個比較好的方案，可以直接將Colab的markdown語法輸出成PDF報告也很有魅力。