Warum ist Tensorflow bei maschinellen Lernsystemen so beliebt?

Q:

Warum ist TensorFlow bei maschinellen Lernsystemen so beliebt?

Beim maschinellen Lernen (Machine Learning, ML) gibt es einen großen Trend: Programmierer scharen sich zu einem Tool namens TensorFlow, einem Open-Source-Bibliotheksprodukt, das einige der wichtigsten Aufgaben beim Erstellen und Verwenden von Trainingsdatensätzen in ML erleichtert. Angesichts der Tatsache, dass große Namen TensorFlow für maschinelles Lernen einsetzen, ist die Beliebtheit offensichtlich. Die Frage ist, warum TensorFlow als Gewinner hervorgegangen ist.

Einerseits ist anzumerken, dass ein Teil der Popularität von TensorFlow auf seiner Herkunft beruht. TensorFlow wurde ursprünglich von Google Brain entwickelt und ist nominell ein "Google-Produkt". Trotz Googles Versuch, die Software unter einer Open-Source-Apache-Lizenz freizugeben, genießt TensorFlow das Prestige des bekannten Namens. Es gibt auch Anzeichen dafür, dass TensorFlow besser vermarktet wurde als einige seiner Wettbewerber. Ein weiterer Faktor könnten große Anwender sein. Beispielsweise kann die Entscheidung von DeepMind, TensorFlow zu verwenden, andere Entwickler mit einer Art "Domino-Effekt" beeinflussen, der häufig dazu führt, dass ein bestimmtes Software-Tool in der Branche dominiert.

Auf der anderen Seite gibt es viele überzeugende Gründe, warum ein Unternehmen TensorFlow möglicherweise gegenüber anderen maschinellen Lernwerkzeugen einsetzen möchte. Einige von ihnen haben mit der zugänglichen und "lesbaren" Syntax von TensorFlow zu tun, die ein Muss ist, um die Verwendung dieser Programmierressourcen zu vereinfachen. Maschinelles Lernen ist bereits jetzt so schwierig, dass die Beteiligten nicht mit unhandlicher Syntax ringen möchten.

Andere Elemente der Popularität von TensorFlow haben mit seiner Entwicklung zu tun: Einige Experten sind begeistert von der Funktionalität der TensorFlow-APIs, die eine Verbindung zum Mobiltelefon herstellen oder einen besseren Zugriff ermöglichen können. Es gibt auch eine lebendige Community, die TensorFlow unterstützt. Alternativ können Entwickler Metriken wie Fehlerreduzierung oder Code-Iteration betrachten und feststellen, dass die Verwendung von TensorFlow in vielen Fällen Fehler in einem Codebasis-Projekt verringern oder bei der Skalierung helfen kann.

Darüber hinaus bietet TensorFlow zahlreiche Funktionen, die sich auszahlen können: Elemente wie interaktive Protokollierungs- und Datenvisualisierungsmodelle und Plattformoptionen wie die Unterstützung mehrerer GPUs bieten dem Entwickler noch mehr Auswahlmöglichkeiten. Es gibt ein allgemeines Argument dafür, dass TensorFlow dabei hilft, die Infrastruktur zu "löschen", das maschinelle Lernen zu virtualisieren und es von internen Serverfarmen zu trennen - was im Allgemeinen für die IT des 21. Jahrhunderts von großem Wert ist.

All dies trägt zur immensen Attraktivität von TensorFlow für ein breites Spektrum von maschinellen Lernprojekten bei. Das Tool wird von der NASA und anderen Regierungsbehörden sowie von einer beeindruckenden Anzahl von Privatsektorriesen verwendet. Die Frage wird sein, welche neuen Fortschritte TensorFlow und andere Dienstprogramme für die Zukunft unserer digitalen Welt ermöglichen.