Überblick
- Swift für TensorFlow, Demonstration auf der TensorFlow-Konferenz letzten Monat, ha sido Open Source auf GitHub
- Es steht noch am Anfang, Daher liegt die Entwicklung vollständiger ML-Frameworks derzeit außerhalb Ihres Rahmens
- Sehen Sie sich das Video unten an, um eine Einführung zu erhalten und diese Einführung zu spüren.
Einführung
Swift ist eine Open-Source-Programmiersprache, die in den letzten Jahren so richtig Fahrt aufgenommen hat. Es hat eine große und ständig wachsende Benutzerbasis. Und TensorFlow, wie du sicher weißt, ist eine der beliebtesten Open-Source-Bibliotheken für maschinelles Lernen. Die Kombination der beiden war für die Leute von TensorFlow also ein Kinderspiel.
Um mehr über Swift und seine Verwendung in der Datenwissenschaft auf umfassende und strukturierte Weise zu erfahren, Sie können sich kostenlos in diesen Kurs einschreiben: Lerne Swift für Data Science
Swift for TensorFlow wurde letzten Monat auf der TensorFlow-Konferenz vorgestellt und das Team hinter der Technologie hat jetzt die Quelle auf GitHub für die gesamte Community geöffnet. Sein Ziel ist es, eine neue Schnittstelle für TensorFlow bereitzustellen, die auf seinen bereits unglaublichen Fähigkeiten aufbaut., während Sie Ihre Benutzerfreundlichkeit auf ein ganz neues Niveau heben.
Laut dem offiziellen Blogbeitrag des TensorFlow-Teams, “Swift for TensorFlow bietet ein neues Programmiermodell, das Grafikleistung mit der Flexibilität und Ausdruckskraft der Eager-Ausführung kombiniert., mit starkem Fokus auf verbesserte Benutzerfreundlichkeit auf allen Ebenen des Stacks”. Beachten Sie, dass dies nicht nur ein TensorFlow-API-Wrapper ist, der in der Schnelle Sprache . Das Team hat Swift Compiler- und Sprachverbesserungen hinzugefügt, um Datenwissenschaftlern und Entwicklern von maschinellem Lernen eine erstklassige Benutzererfahrung zu bieten..
Sie können das GitHub-Repository eingeben hierund sehen Sie sich den Start der TensorFlow-Konferenz im Video unten an:
Unsere Meinung dazu
Das ist noch in einem sehr frühen Stadium, Es ist also noch nicht bereit, in Deep-Learning-Modelle geschrieben zu werden. Das Team räumt ein, dass die Ziele, die es beim Start verfolgt hat, noch lange nicht erreicht werden.. Aber hier liegt noch viel Potenzial, das noch ausgeschöpft werden muss..
Was mir an dieser Version gefallen hat, ist, dass das Team jeden Schritt extrem detailliert dokumentiert hat, mit der Annahme, dass die meisten Benutzer damit nicht vertraut sind Schnell , sonst hätte ich es vorher nicht benutzt.
