Q:
Hvorfor er TensorFlow så populær for maskinlæringssystemer?
EN:Det skjer en stor trend innen maskinlæring (ML) - programmerere strømmer mot et verktøy som heter TensorFlow, et bibliotekprodukt med åpen kildekode som letter noe av det viktigste arbeidet som ligger i bygging og bruk av treningsdatasett i ML. Med store navn som tar i bruk TensorFlow for maskinlæring, er populariteten tydelig. Spørsmålet er hvorfor TensorFlow har dukket opp som en vinner.
På den ene siden er det en sak som skal gjøres at noen av TensorFlows popularitet er basert på dens opprinnelse. TensorFlow, som opprinnelig ble utviklet av Google Brain, er nominelt et "Google-produkt", og det nyter derfor prestisjen for husholdningenavnet, til tross for Googles grep om å frigi programvaren under en åpen kildekode Apache-lisens. Det er også indikatorer på at TensorFlow har blitt bedre markedsført enn noen av konkurrentene. En annen faktor kan være store adoptere; DeepMinds valg om å bruke TensorFlow kan for eksempel påvirke andre utviklere med en slags "dominoeffekt" som ofte ender opp med å skyve ett bestemt programvareverktøy inn i bransjedominans.
| Gratis nedlasting: Machine Learning og Why It Matters |
På den annen side er det mange overbevisende grunner til at et selskap kanskje vil bruke TensorFlow fremfor andre maskinlæringsverktøy. Noen av dem har å gjøre med TensorFlows tilgjengelige og "lesbare" syntaks, som er et must for å gjøre disse programmeringsressursene enklere å bruke. Læring av maskiner er allerede en så tøff bakke å klatre at interessenter ikke ønsker å bryte med uhåndterlig syntaks.
Andre elementer i TensorFlows popularitet har å gjøre med byggingen: Noen eksperter brenner for funksjonaliteten til TensorFlows API-er som kan koble seg til mobil eller gi bedre tilgang. Det er også et pulserende samfunn som støtter TensorFlow, som er en annen fjær i hetten. Alternativt kan utviklere se på beregninger som feilreduksjon eller kodeterasjon og finne at i mange tilfeller kan bruk av TensorFlow redusere feil over et kodebaseprosjekt eller hjelpe med skalering.
I tillegg er det iboende funksjonalitet til TensorFlow som også kan være en uavgjort: Elementer som interaktiv logging og datavisualiseringsmodeller, og plattformalternativer som multi-GPU-støtte, gir enda mer valg til utviklerens fingertupp. Det er et generelt argument at TensorFlow hjelper til med å "slette infrastruktur", for å virtualisere maskinlæring og løsne den fra interne serverfarmer - noe som generelt er en stor verdi i det tjueførste århundre IT.
Alt dette inngår i den enorme appellen til TensorFlow for et bredt spekter av maskinlæringsprosjekter; verktøyet brukes av NASA og andre offentlige etater, så vel som en imponerende liste over giganter fra privat sektor. Spørsmålet vil være hvilke nye fremskritt TensorFlow og andre verktøy som muliggjør fremtiden for vår digitale verden.
