T:
Bakit sikat ang TensorFlow para sa mga sistema ng pag-aaral ng machine?
A:Mayroong isang malaking kalakaran na nangyayari sa pag-aaral ng makina (ML) - ang mga programmer ay nagkakalakip patungo sa isang tool na tinatawag na TensorFlow, isang open-source na produkto ng aklatan na pinadali ang ilan sa mga pangunahing gawain na likas sa pagbuo at paggamit ng mga set ng data ng pagsasanay sa ML. Sa mga malalaking pangalan na nagpapatibay sa TensorFlow para sa pagkatuto ng makina, maliwanag ang katanyagan. Ang tanong kung bakit lumitaw ang TensorFlow bilang isang nagwagi.
Sa isang banda, mayroong isang kaso na gagawin na ang ilan sa katanyagan ng TensorFlow ay batay sa mga pinanggalingan nito. Binuo na orihinal ng Google Brain, ang TensorFlow ay isang "Google product" at sa gayon ay nasiyahan ito sa prestihiyo ng pangalan ng sambahayan, sa kabila ng hakbang ng Google na palabasin ang software sa ilalim ng isang bukas na mapagkukunan ng lisensya ng Apache. Mayroon ding mga tagapagpahiwatig na ang TensorFlow ay mas mahusay na naibenta kaysa sa ilan sa mga katunggali nito. Ang isa pang kadahilanan ay maaaring maging malaking adopter; halimbawa, ang pagpipilian ng DeepMind na gumamit ng TensorFlow ay maaaring makaimpluwensya sa iba pang mga developer na may isang uri ng "domino effect" na madalas na nagtatapos sa pagtulak ng isang tiyak na tool ng software sa pangingibabaw ng industriya.
| Libreng Pag-download: Pag- aaral ng Machine at Bakit Mahalaga ito |
Sa kabilang banda, maraming mga nakakahimok na dahilan kung bakit maaaring gamitin ng isang kumpanya ang TensorFlow sa iba pang mga tool sa pag-aaral ng machine. Ang ilan sa mga ito ay may kinalaman sa pag-access ng TensorFlow at "nababasa" syntax, na kung saan ay isang kinakailangan para gawing mas madaling gamitin ang mga mapagkukunan ng programming. Ang pag-aaral ng makina ay tulad ng isang matigas na burol upang umakyat na ang mga stakeholder ay hindi nais na makipagbuno sa hindi magagandang syntax.
Ang iba pang mga elemento ng katanyagan ng TensorFlow ay may kaugnayan sa pagtatayo nito: Ang ilang mga eksperto ay masidhi tungkol sa pag-andar ng mga API ng TensorFlow na maaaring mai-link sa mobile o magdala ng mas mahusay na pag-access. Mayroon ding isang masiglang komunidad na sumusuporta sa TensorFlow, na isa pang balahibo sa takip nito. Bilang kahalili, ang mga developer ay maaaring tumingin sa mga sukatan tulad ng pagbawas ng error o pag-iiba ng code at malaman na, sa maraming kaso, ang paggamit ng TensorFlow ay maaaring mabawasan ang mga error sa isang proyekto ng codebase o makakatulong sa pag-scale.
Bilang karagdagan, mayroong likas na pag-andar ng TensorFlow na maaari ring maging isang draw: Mga item tulad ng interactive na pag-log at mga modelo ng visualization ng data, at mga pagpipilian sa platform tulad ng suporta na multi-GPU, magdala ng higit pang pagpipilian sa mga daliri ng nag-develop. Mayroong isang pangkalahatang argumento na tinutulungan ng TensorFlow na "burahin ang imprastraktura, " upang matuto ang virtual learning machine at alisin ito mula sa mga panloob na bukid ng server - na sa pangkalahatan ay isang malaking halaga sa dalawampu't-isang siglo IT.
Ang lahat ng mga kadahilanan na ito sa napakalawak na apela ng TensorFlow para sa isang malawak na spectrum ng mga proyekto sa pag-aaral ng machine; ang tool ay ginagamit ng NASA at iba pang mga ahensya ng gobyerno, pati na rin isang kahanga-hangang roster ng mga higanteng pribadong sektor. Ang tanong ay kung ano ang mga bagong pagsulong TensorFlow at iba pang mga utility na posible para sa hinaharap ng aming digital na mundo.
