P:
Dlaczego TensorFlow jest tak popularny w systemach uczenia maszynowego?
ZA:W uczeniu maszynowym (ML) dzieje się wielki trend - programiści uciekają się do narzędzia o nazwie TensorFlow, produktu biblioteki typu open source, który ułatwia niektóre kluczowe prace związane z budowaniem i wykorzystaniem zestawów danych szkoleniowych w ML. Dzięki dużym nazwiskom stosującym TensorFlow do uczenia maszynowego popularność jest oczywista. Pytanie brzmi, dlaczego TensorFlow został zwycięzcą.
Z jednej strony należy stwierdzić, że część popularności TensorFlow opiera się na jej pochodzeniu. Opracowany pierwotnie przez Google Brain, TensorFlow jest nominalnie „produktem Google”, dlatego cieszy się prestiżem nazwy gospodarstwa domowego, mimo że Google zdecydowało się wydać oprogramowanie na licencji Apache typu open source. Istnieją również wskaźniki świadczące o tym, że TensorFlow był lepiej sprzedawany niż niektórzy jego konkurenci. Innym czynnikiem mogą być duże podmioty adoptujące; na przykład wybór DeepMind do korzystania z TensorFlow może wpływać na innych programistów z rodzajem „efektu domina”, który często powoduje popychanie jednego określonego oprogramowania do dominacji w branży.
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Z drugiej strony istnieje wiele istotnych powodów, dla których firma może chcieć korzystać z TensorFlow w porównaniu z innymi narzędziami do uczenia maszynowego. Niektóre z nich dotyczą dostępnej i „czytelnej” składni TensorFlow, która jest niezbędna, aby ułatwić korzystanie z tych zasobów programistycznych. Uczenie maszynowe jest już tak trudną wspinaczką, że interesariusze nie chcą zmagać się z nieporęczną składnią.
Inne elementy popularności TensorFlow mają związek z jego wersją: niektórzy eksperci pasjonują się funkcjami interfejsów API TensorFlow, które mogą łączyć się z urządzeniami mobilnymi lub zapewniać lepszy dostęp. Istnieje również aktywna społeczność wspierająca TensorFlow, który jest kolejnym piórkiem w czapce. Alternatywnie, programiści mogą spojrzeć na metryki takie jak redukcja błędów lub iteracja kodu i przekonać się, że w wielu przypadkach użycie TensorFlow może zmniejszyć liczbę błędów w projekcie bazy kodu lub pomóc w skalowaniu.
Ponadto, TensorFlow ma wbudowaną funkcjonalność, która może być również remisiem: takie elementy, jak interaktywne rejestrowanie i modele wizualizacji danych oraz opcje platformy, takie jak obsługa wielu GPU, zapewniają jeszcze większy wybór palcom programisty. Istnieje ogólny argument, że TensorFlow pomaga „usuwać infrastrukturę”, wirtualizować uczenie maszynowe i uwalniać je od wewnętrznych farm serwerów - co jest ogólnie dużą wartością w informatyce XXI wieku.
Wszystko to wpływa na ogromną atrakcyjność TensorFlow dla szerokiego spektrum projektów uczenia maszynowego; z narzędzia tego korzystają NASA i inne agencje rządowe, a także imponująca lista gigantów z sektora prywatnego. Powstanie pytanie, jakie nowe osiągnięcia TensorFlow i inne narzędzia umożliwiają przyszłości naszego cyfrowego świata.
