Q:
Waarom is TensorFlow zo populair voor machine learning-systemen?
EEN:Er is een grote trend gaande in machine learning (ML) - programmeurs stromen toe naar een tool genaamd TensorFlow, een open-source bibliotheekproduct dat een deel van het belangrijkste werk faciliteert dat inherent is aan het bouwen en gebruiken van trainingsdatasets in ML. Met grote namen die TensorFlow gebruiken voor machine learning, is de populariteit duidelijk. De vraag is waarom TensorFlow als winnaar naar voren is gekomen.
Aan de ene kant moet worden beweerd dat een deel van de populariteit van TensorFlow is gebaseerd op zijn oorsprong. Oorspronkelijk ontwikkeld door Google Brain, is TensorFlow nominaal een "Google-product" en geniet het dus van het prestige van de bekende naam, ondanks de stap van Google om de software vrij te geven onder een open-source Apache-licentie. Er zijn ook aanwijzingen dat TensorFlow beter op de markt is gebracht dan sommige van zijn concurrenten. Een andere factor kan grote adoptanten zijn; De keuze van DeepMind om TensorFlow te gebruiken kan bijvoorbeeld andere ontwikkelaars beïnvloeden met een soort "domino-effect" dat vaak ertoe leidt dat een bepaald softwaretool domineert in de industrie.
| Gratis download: machine learning en waarom het ertoe doet |
Aan de andere kant zijn er veel dwingende redenen waarom een bedrijf TensorFlow zou willen gebruiken in plaats van andere machine learning tools. Sommigen van hen hebben te maken met de toegankelijke en "leesbare" syntaxis van TensorFlow, wat een must is om deze programmeermiddelen gebruiksvriendelijker te maken. Machine learning is al zo'n moeilijke heuvel om te beklimmen dat belanghebbenden niet willen worstelen met logge syntaxis.
Andere elementen van de populariteit van TensorFlow hebben te maken met de build: sommige experts zijn gepassioneerd over de functionaliteit van de API's van TensorFlow die kunnen worden gekoppeld aan mobiel of betere toegang kunnen bieden. Er is ook een levendige gemeenschap die TensorFlow ondersteunt, een andere veer in de dop. Als alternatief kunnen ontwikkelaars naar statistieken zoals foutreductie of codeherhaling kijken en ontdekken dat het gebruik van TensorFlow in veel gevallen fouten over een codebaseproject kan verminderen of kan helpen bij het schalen.
Bovendien is er inherente functionaliteit van TensorFlow die ook een trekpleister kan zijn: items zoals interactieve logging- en datavisualisatiemodellen en platformopties zoals multi-GPU-ondersteuning, bieden nog meer keuze binnen handbereik van de ontwikkelaar. Er is een algemeen argument dat TensorFlow helpt om 'infrastructuur te wissen', om machine learning te virtualiseren en los te koppelen van interne serverfarms - wat over het algemeen een grote waarde is in eenentwintigste-eeuwse IT.
Dit alles speelt een rol bij de enorme aantrekkingskracht van TensorFlow voor een breed scala aan machine learning-projecten; de tool wordt gebruikt door NASA en andere overheidsinstanties, evenals een indrukwekkend rooster van particuliere reuzen. De vraag zal zijn welke nieuwe ontwikkelingen TensorFlow en andere hulpprogramma's mogelijk maken voor de toekomst van onze digitale wereld.
