Q:
Почему TensorFlow так популярен для систем машинного обучения?
A:В машинном обучении (ML) наблюдается большая тенденция - программисты обращаются к инструменту под названием TensorFlow, библиотечному продукту с открытым исходным кодом, который облегчает некоторые ключевые задачи, присущие построению и использованию обучающих наборов данных в ML. С известными именами, использующими TensorFlow для машинного обучения, популярность очевидна. Вопрос в том, почему TensorFlow стал победителем.
С одной стороны, есть основания утверждать, что часть популярности TensorFlow основана на его происхождении. Разработанный первоначально Google Brain, TensorFlow номинально является «продуктом Google», и поэтому он пользуется престижем имени семьи, несмотря на стремление Google выпустить программное обеспечение под лицензией Apache с открытым исходным кодом. Есть также признаки того, что TensorFlow был лучше продан, чем некоторые из его конкурентов. Другим фактором могут быть большие последователи; например, выбор DeepMind использования TensorFlow может повлиять на других разработчиков с помощью своего рода «эффекта домино», который часто приводит к тому, что один определенный программный инструмент становится доминирующим в отрасли.
| Скачать бесплатно: машинное обучение и почему это важно |
С другой стороны, есть много веских причин, по которым компания может захотеть использовать TensorFlow над другими инструментами машинного обучения. Некоторые из них связаны с доступным и «читаемым» синтаксисом TensorFlow, который необходим для упрощения использования этих ресурсов программирования. Машинное обучение - уже такой сложный путь, что заинтересованные стороны не хотят бороться с громоздким синтаксисом.
Другие элементы популярности TensorFlow связаны с его сборкой: некоторые эксперты увлечены функциональностью API-интерфейсов TensorFlow, которые могут связываться с мобильными устройствами или предоставлять лучший доступ. Есть также активное сообщество, поддерживающее TensorFlow, который является еще одним пером в его кепке. С другой стороны, разработчики могут посмотреть на такие показатели, как уменьшение ошибок или итерации кода, и обнаружат, что во многих случаях использование TensorFlow может уменьшить ошибки по сравнению с проектом на базе кода или помочь с масштабированием.
Кроме того, TensorFlow обладает неотъемлемой функциональностью, которая также может быть привлекательной: такие элементы, как интерактивное ведение журналов и модели визуализации данных, а также опции платформы, такие как поддержка нескольких графических процессоров, предоставляют разработчикам еще больше возможностей. Существует общий аргумент, что TensorFlow помогает «стереть инфраструктуру», виртуализировать машинное обучение и отвязать его от внутренних серверных ферм - что, как правило, является большой ценностью в ИТ двадцать первого века.
Все это влияет на огромную привлекательность TensorFlow для широкого спектра проектов машинного обучения; инструмент используется НАСА и другими государственными учреждениями, а также внушительным списком гигантов частного сектора. Вопрос будет в том, какие новые достижения TensorFlow и другие утилиты сделают возможными для будущего нашего цифрового мира.
