Q:
Чому TensorFlow настільки популярний для систем машинного навчання?
A:У машинному навчанні (ML) спостерігається велика тенденція - програмісти прямують до інструменту під назвою TensorFlow, бібліотечного продукту з відкритим кодом, який полегшує деякі ключові роботи, притаманні створенню та використанню наборів даних про навчання в ML. Коли великі імена приймають TensorFlow для машинного навчання, популярність очевидна. Питання в тому, чому TensorFlow вийшов переможцем.
З одного боку, слід зазначити, що частина популярності TensorFlow базується на її джерелах. Розроблений спочатку Google Brain, TensorFlow номінально є «продуктом Google», тому він користується престижем імені домашнього господарства, незважаючи на те, що Google намагається випустити програмне забезпечення за ліцензією Apache з відкритим кодом. Також є показники того, що TensorFlow продається краще, ніж деякі його конкуренти. Іншим фактором можуть стати великі усиновлювачі; наприклад, вибір DeepMind використовувати TensorFlow може вплинути на інших розробників з таким "ефектом доміно", який часто підштовхує до того, щоб підштовхнути один певний програмний інструмент до домінування в галузі.
| Безкоштовне завантаження: машинне навчання і чому це важливо |
З іншого боку, є багато переконливих причин, чому компанія може захотіти використовувати TensorFlow над іншими інструментами машинного навчання. Деякі з них пов'язані з доступним і "читабельним" синтаксисом TensorFlow, що є необхідним для полегшення використання цих ресурсів програмування. Машинне навчання вже настільки важке сходження, що зацікавлені сторони не хочуть вести боротьбу з нелегким синтаксисом.
Інші елементи популярності TensorFlow пов'язані з її побудовою: Деякі експерти пристрасно ставляться до функціональності API TensorFlow, які можуть зв’язатися з мобільним пристроєм або покращити доступ. Існує також яскраве співтовариство, яке підтримує TensorFlow, що є ще одним пером у його шапці. Крім того, розробники можуть переглядати такі показники, як зменшення помилок або ітерація коду, і виявити, що в багатьох випадках використання TensorFlow може зменшити помилки в проекті кодової бази або допомогти зі масштабуванням.
Крім того, є притаманна функціональність TensorFlow, яка також може бути нічиєю: такі елементи, як інтерактивний журнал і моделі візуалізації даних, а також варіанти платформ, такі як підтримка багато GPU, приносять ще більший вибір руці розробника. Існує загальний аргумент, що TensorFlow допомагає "стерти інфраструктуру", щоб віртуалізувати машинне навчання та пов'язати його із внутрішніми серверними фермами - що, як правило, є великою цінністю для ІТ двадцять першого століття.
Все це впливає на величезну привабливість TensorFlow для широкого спектру проектів машинного навчання; цей інструмент використовується NASA та іншими державними установами, а також вражаючий список гігантів приватного сектору. Питання полягатиме в тому, що нові досягнення TensorFlow та інші комунальні послуги дозволяють зробити майбутнє нашого цифрового світу.
