Googles Open-Source-Swift für TensorFlow ist zweifellos ein besonderer Vorteil für Entwickler, die sich für die Programmiersprache Swift begeistern. Das lässt mich auch die Größe von Chris Lattner, dem Vater von Swift, noch mehr bewundern.
Zuvor leitete Lattner die Entwicklung von Swift bei Apple. Es war nicht nur schnell und äußerst benutzerfreundlich, sondern auch äußerst beliebt bei der Entwickler-Community. Nach einem kurzen Aufenthalt von sechs Monaten bei Tesla entschied sich Lattner im August 2017. Kam zu Google Brain und ist auf maschinelles Lernen und künstliche Intelligenz spezialisiert. Derzeit dürfte Swift für TensorFlow sein erster großer Schritt nach seinem Beitritt zu Google sein.
Darüber hinaus stellt TensorFlow mehrere wichtige Bereiche des Projekts im Detail vor. Durch den „Graph Program Extraction“-Algorithmus können Entwickler die Programmierung im Eager Execution-Stil verwenden Modelle zur Implementierung von Code unter Beibehaltung der Hochleistungsvorteile der TensorFlow-Rechendiagramme. Darüber hinaus ermöglicht dieses Projekt Entwicklern auch die direkte Nutzung der Python-API über Swift-Code.
Natürlich erwähnten die Verantwortlichen von TensorFlow auch, dass der Grund für die Wahl von Swift als Hauptsprache darin besteht, dass „die Implementierung zuverlässiger Graph-Programm-Extraktionsalgorithmen hohe Anforderungen an das Design von Programmiersprachen stellt.“
Da Tensorflow Open Source ist, verfügt die bereitgestellte API über genügend Freiheiten zum Aufbau neuronaler Netze, was die Sorgen der Entwickler beim Erstellen und Implementieren von Funktionen weitgehend beseitigt. Angesichts der Verwendung des Basismodells von TensorFlow ist Python die komfortabelste Sprache für Datenwissenschaftler und passt auch gut zu TensorFlow. Sogar Jeremy Howard, Gründer von fast.ai und ehemaliger Präsident von Kaggle, kommentierte auf Twitter, nachdem er dieses Projekt gesehen hatte: „Können wir Python endlich ablegen?“
Empfohlene Kurse: Python-Tutorial.
Zuvor haben die Verantwortlichen von TensorFlow besonders daran erinnert: „Es ist noch zu früh, Ihr Deep-Learning-Modell mit Swift für TensorFlow neu zu schreiben.“
Wie können wir das wirklich tun? Müssen Sie anfangen, in Swift zu investieren?
Kürzlich veröffentlichte Jameson Toole, Mitbegründer und CEO von Fritz.ai, einen Artikel mit dem Titel „Warum Datenwissenschaftler anfangen sollten, Swift zu lernen“, in dem er über Swift für Tensorflow und die Zukunft von sprach Entwicklung des maschinellen Lernens.
Er sagte, man solle Swift nicht als einfachen Wrapper für TensorFlow betrachten, um die Verwendung auf iOS-Geräten zu vereinfachen. Es bedeutet viel mehr als das. Was dieses Projekt ändern wird, ist das Standardtool, das vom gesamten Ökosystem für maschinelles Lernen und Datenwissenschaft verwendet wird.
Warum sagst du das?
Er fuhr fort:
„In diesem Zusammenhang können wir sehen, dass sich langsam zwei Trends durchsetzen: Der eine ist die künstliche Intelligenz durch neuronale Netze und die Renaissance des tiefen Lernens; der andere ist der Wandel zur Renaissance.“ Mobile-First-Anwendungen, die auf Milliarden von Smartphones und IoT-Geräten laufen, erfordern eine hohe Rechenleistung, wofür Python besonders ungeeignet ist 🎜>Einerseits ist Deep Learning rechenintensiv und erfordert die Weitergabe riesiger Datensätze Durch lange Ketten von Tensoroperationen muss die Software Tausende von Zeilen und Kernen an spezialisierte Prozessoren koppeln. Wenn es um den Stromverbrauch und die Wärmeentwicklung mobiler Geräte geht, beginnen sie sich zu verstärken Weniger Speicher für effizientere Prozessoren ist ein Fehler.
Python ist bisher keine gute Lösung Sie greifen nicht mehr darauf zurück, die GPU stark zu belasten, aber die meisten Leute stecken in der Entwicklung mobiler Anwendungen fest, und es scheint unrealistisch, Zeit mit dem Erlernen einer neuen Programmiersprache zu verbringen, aber die Umstellungskosten sind tatsächlich zu hoch. Beispielsweise bei JavaScript-Projekten wie Node. js und plattformübergreifende Abstraktionstools wie React Native Jetzt ist es für mich schwierig, Projekte in einer Python-Umgebung abzuschließen, die von maschinellem Lernen und Edge-Computing dominiert wird.Python kann keine End-to-End-Sprache werden , vor allem wegen der Förderung von Swift für TensorFlow. Python als dynamische Sprache kann uns nicht weiterbringen
Als „erstklassiger Bürger“ erklärt er zwar ausführlich, warum die Einführung neuer Kompilierungsanalysen eng mit der Änderung der Art und Weise zusammenhängt, wie Sie Projekte mit TensorFlow erstellen, aber das Auffälligste ist natürlich das Verständnis des Programmierprozesses 🎜>Das obige ist der detaillierte Inhalt vonWarum hat Google Python aufgegeben?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!