Q:
Hvorfor er TensorFlow så populær til maskinindlæringssystemer?
EN:Der sker en stor tendens inden for maskinlæring (ML) - programmører strømmer mod et værktøj kaldet TensorFlow, et open source biblioteksprodukt, der letter noget af det nøglearbejde, der er forbundet med at opbygge og bruge træningsdatasæt i ML. Med store navne, der vedtager TensorFlow til maskinlæring, er populariteten tydelig. Spørgsmålet er, hvorfor TensorFlow er dukket op som en vinder.
På den ene side er der en sag, der skal gøres, at nogle af TensorFlows popularitet er baseret på dens oprindelse. TensorFlow, der oprindeligt blev udviklet af Google Brain, er nominelt et "Google-produkt", og det nyder derfor husets navn, trods Googles skridt til at frigive softwaren under en open source Apache-licens. Der er også indikatorer for, at TensorFlow er blevet markedsført bedre end nogle af sine konkurrenter. En anden faktor kan være store adoptører; F.eks. kan DeepMinds valg om at bruge TensorFlow påvirke andre udviklere med en slags "domino-effekt", der ofte ender med at skubbe et bestemt software-værktøj ind i branche dominans.
| Gratis download: Machine Learning og Why It Matters |
På den anden side er der mange overbevisende grunde til, at et firma måske ønsker at bruge TensorFlow i forhold til andre værktøjer til maskinindlæring. Nogle af dem har at gøre med TensorFlows tilgængelige og "læsbare" syntaks, som er et must for at gøre disse programmeringsressourcer lettere at bruge. Maskinlæring er allerede en så hård bakke at klatre, at interessenter ikke ønsker at kæmpe med uhåndterlig syntaks.
Andre elementer i TensorFlows popularitet har at gøre med dens opbygning: Nogle eksperter brænder for funktionaliteten af TensorFlows API'er, der kan linke ud til mobil eller give bedre adgang. Der er også et pulserende samfund, der støtter TensorFlow, som er en anden fjer i hætten. Alternativt kan udviklere se på målinger som fejlreduktion eller kodeterapi og finde ud af, at brug af TensorFlow i mange tilfælde kan reducere fejl i et codebase-projekt eller hjælpe med skalering.
Derudover er der en iboende funktionalitet af TensorFlow, der også kan være et lodtrækning: Elementer som interaktiv logging og datavisualiseringsmodeller og platformindstillinger som multi-GPU support, giver endnu mere valg for udviklerens fingerspidser. Der er et generelt argument for, at TensorFlow hjælper med at "slette infrastruktur" til at virtualisere maskinlæring og løsne det fra interne serverfarme - hvilket generelt er en stor værdi ved IT-enheder fra det 21. århundrede.
Alt dette indgår i den enorme appel fra TensorFlow til et bredt spektrum af maskinlæringsprojekter; værktøjet bruges af NASA og andre statslige agenturer samt en imponerende liste over giganter i den private sektor. Spørgsmålet vil være, hvilke nye fremskridt TensorFlow og andre forsyningsselskaber muliggør for vores digitale verdens fremtid.
