J:
Kāpēc TensorFlow ir tik populārs mašīnmācīšanās sistēmās?
A:Mašīnmācībā (ML) vērojama liela tendence - programmētāji dodas uz rīku ar nosaukumu TensorFlow - atvērtā koda bibliotēkas produktu, kas atvieglo dažus galvenos darbus, kas raksturīgi mācību datu kopu veidošanai un izmantošanai ML. Tā kā lielie vārdi izmanto TensorFlow mašīnmācībai, popularitāte ir acīmredzama. Jautājums ir, kāpēc TensorFlow ir kļuvis par uzvarētāju.
No vienas puses, ir jānoraida, ka dažas TensorFlow popularitātes pamatā ir tās pirmsākumi. TensorFlow, kuru sākotnēji izstrādāja Google Brain, nomināli ir “Google produkts”, tāpēc tam ir mājsaimniecības nosaukuma prestižs, neskatoties uz Google centieniem atbrīvot programmatūru saskaņā ar atvērtā koda Apache licenci. Ir arī rādītāji, ka TensorFlow ir bijis labāk pārdots nekā daži no tā konkurentiem. Vēl viens faktors varētu būt lieli adoptētāji; piemēram, DeepMind izvēle izmantot TensorFlow var ietekmēt citus izstrādātājus ar sava veida "domino efektu", kas bieži beidzas ar to, ka viens noteikts programmatūras rīks tiek virzīts uz nozares dominanti.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
No otras puses, ir daudz pārliecinošu iemeslu, kāpēc uzņēmums varētu vēlēties izmantot TensorFlow citiem mašīnmācīšanās rīkiem. Dažiem no tiem ir sakars ar TensorFlow pieejamo un "lasāmo" sintakse, kas ir obligāta, lai šos programmēšanas resursus būtu vieglāk izmantot. Mašīnmācība jau ir tik grūts kāpšanas kalns, ka ieinteresētās puses nevēlas cīnīties ar smago sintaksi.
Citi TensorFlow popularitātes elementi ir saistīti ar tā veidošanu: Daži eksperti aizraujas ar TensorFlow API funkcionalitāti, ko var saistīt ar mobilo vai nodrošināt labāku piekļuvi. Ir arī dinamiska kopiena, kas atbalsta TensorFlow, kas ir vēl viena spalva tās vāciņā. Pārmaiņus izstrādātāji var aplūkot tādu metriku kā kļūdu samazināšana vai koda iterācija un secināt, ka daudzos gadījumos TensorFlow izmantošana var samazināt kļūdas kodbāzes projektā vai palīdzēt palielināt mērogu.
Turklāt pastāv arī TensorFlow funkcionalitāte, kas var būt arī trūkums: tādi vienumi kā interaktīvie reģistrēšanas un datu vizualizācijas modeļi, kā arī platformu opcijas, piemēram, multi-GPU atbalsts, izstrādātāja rokai sniedz vēl lielāku izvēli. Pastāv vispārējs arguments, ka TensorFlow palīdz "izdzēst infrastruktūru", lai virtualizētu mašīnmācīšanos un atdalītu to no iekšējām serveru fermām - kas parasti ir liela vērtība divdesmit pirmā gadsimta IT.
Visi šie faktori ietekmē TensorFlow milzīgo pievilcību plaša spektra mašīnmācīšanās projektiem; šo rīku izmanto NASA un citas valdības aģentūras, kā arī iespaidīgu privātā sektora gigantu sarakstu. Jautājums būs par to, kādus jaunus sasniegumus TensorFlow un citi komunālie pakalpojumi dod mūsu digitālās pasaules nākotnei.
