F:
Varför är TensorFlow så populärt för maskininlärningssystem?
A:Det finns en stor trend i maskininlärning (ML) - programmerare flockar mot ett verktyg som heter TensorFlow, en öppen källkodsprodukt som underlättar några av de nyckelarbeten som ingår i att bygga och använda utbildningsuppsättningar i ML. Med stora namn som använder TensorFlow för maskininlärning är populariteten uppenbar. Frågan är varför TensorFlow har framträtt som en vinnare.
Å ena sidan finns det ett fall som ska göras att en del av TensorFlows popularitet är baserad på dess ursprung. TensorFlow, som ursprungligen utvecklats av Google Brain, är nominellt en "Google-produkt" och så åtnjuter det prestige som hushållets namn, trots Googles möjlighet att släppa programvaran under en öppen källkod Apache-licens. Det finns också indikatorer på att TensorFlow har marknadsförts bättre än några av sina konkurrenter. En annan faktor kan vara stora adoptörer; till exempel DeepMinds val att använda TensorFlow kan påverka andra utvecklare med en slags "dominoeffekt" som ofta hamnar ett visst mjukvaruverktyg till branschdominans.
| Gratis nedladdning: Machine Learning and Why It Matters |
Å andra sidan finns det många tvingande skäl till att ett företag kanske vill använda TensorFlow jämfört med andra maskininlärningsverktyg. Några av dem har att göra med TensorFlows tillgängliga och "läsbara" syntax, vilket är ett måste för att göra dessa programmeringsresurser lättare att använda. Maskininlärning är redan en så tuff back att klättra att intressenter inte vill brottas med svårt syntax.
Andra delar av TensorFlows popularitet har att göra med dess uppbyggnad: Vissa experter brinner för funktionaliteten i TensorFlows API: er som kan koppla till mobil eller ge bättre åtkomst. Det finns också en livlig gemenskap som stöder TensorFlow, som är en annan fjäder i locket. Alternativt kan utvecklare titta på mätvärden som felreducering eller kod iteration och upptäcka att i många fall kan användning av TensorFlow minska fel över ett kodbaserat projekt eller hjälpa till med skalning.
Dessutom finns det en inbyggd funktionalitet hos TensorFlow som också kan vara en dragning: Objekt som interaktiv loggning och datavisualiseringsmodeller och plattformalternativ som multi-GPU-stöd, ger ännu mer val till utvecklarens fingertoppar. Det finns ett generellt argument att TensorFlow hjälper till att "radera infrastruktur", för att virtualisera maskininlärning och koppla loss det från interna serverfarmer - vilket i allmänhet är ett stort värde i IT-tekniken från det tjugoförsta århundradet.
Allt detta beror på TensorFlows enorma vädjan för ett brett spektrum av maskininlärningsprojekt; verktyget används av NASA och andra myndigheter, samt en imponerande lista över jättar i den privata sektorn. Frågan kommer att vara vilka nya framsteg TensorFlow och andra verktyg möjliggör för vår digitala världs framtid.
