Q:
Mengapa TensorFlow sangat populer untuk sistem pembelajaran mesin?
SEBUAH:Ada tren besar yang terjadi dalam pembelajaran mesin (ML) - programmer berbondong-bondong menuju alat yang disebut TensorFlow, produk perpustakaan sumber terbuka yang memfasilitasi beberapa pekerjaan utama yang melekat dalam membangun dan menggunakan set data pelatihan dalam ML. Dengan nama-nama besar yang mengadopsi TensorFlow untuk pembelajaran mesin, popularitasnya terbukti. Pertanyaannya adalah mengapa TensorFlow muncul sebagai pemenang.
Di satu sisi, ada kasus yang dibuat bahwa beberapa popularitas TensorFlow didasarkan pada asalnya. Awalnya dikembangkan oleh Google Brain, TensorFlow secara nominal adalah "produk Google" dan menikmati prestise nama rumah tangga, meskipun Google bergerak untuk merilis perangkat lunak di bawah lisensi Apache open-source. Ada juga indikator bahwa TensorFlow telah dipasarkan lebih baik daripada beberapa pesaingnya. Faktor lain bisa jadi pengadopsi besar; misalnya, pilihan DeepMind untuk menggunakan TensorFlow dapat memengaruhi pengembang lain dengan semacam "efek domino" yang sering kali mendorong satu alat perangkat lunak tertentu ke dalam dominasi industri.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Di sisi lain, ada banyak alasan kuat mengapa perusahaan mungkin ingin menggunakan TensorFlow dibandingkan alat pembelajaran mesin lainnya. Beberapa dari mereka ada hubungannya dengan sintaksis TensorFlow yang dapat diakses dan "dibaca", yang merupakan keharusan untuk membuat sumber daya pemrograman ini lebih mudah digunakan. Pembelajaran mesin sudah sangat sulit untuk dipanjat sehingga para pemangku kepentingan tidak ingin bergulat dengan sintaksis yang sulit.
Elemen-elemen lain dari popularitas TensorFlow ada hubungannya dengan build-nya: Beberapa ahli bersemangat tentang fungsi API TensorFlow yang dapat menghubungkan ke ponsel atau membawa akses yang lebih baik. Ada juga komunitas yang bersemangat yang mendukung TensorFlow, yang merupakan bulu lainnya di topinya. Sebagai alternatif, pengembang dapat melihat metrik seperti pengurangan kesalahan atau iterasi kode dan menemukan bahwa, dalam banyak kasus, menggunakan TensorFlow dapat mengurangi kesalahan pada proyek basis kode atau membantu penskalaan.
Selain itu, ada fungsi yang melekat dari TensorFlow yang juga bisa menjadi undian: Item seperti logging interaktif dan model visualisasi data, dan opsi platform seperti dukungan multi-GPU, membawa lebih banyak pilihan ke ujung jari pengembang. Ada argumen umum bahwa TensorFlow membantu untuk "menghapus infrastruktur, " untuk memvirtualisasikan pembelajaran mesin dan melepaskannya dari internal server farms - yang umumnya bernilai besar di abad ke-21 TI.
Semua faktor ini menjadi daya tarik besar TensorFlow untuk berbagai proyek pembelajaran mesin; alat ini digunakan oleh NASA dan lembaga pemerintah lainnya, serta daftar raksasa sektor swasta yang mengesankan. Pertanyaannya adalah apakah kemajuan baru TensorFlow dan utilitas lain yang memungkinkan untuk masa depan dunia digital kita.
