Uber verspricht Deep Learning ohne Programmierkenntnisse

Ludwig: Open Source Toolbox für Deep Learning von Uber vorgestellt

Florian Roos

© Shutterstock / metamorworks

Die Deep Learning Toolbox Ludwig von Uber ist Open Source. Mit ihr soll es auch ohne Programmierkenntnisse möglich sein, mit Deep Learning zu arbeiten.

Die Deep Learning Toolbox Ludwig stammt von Uber und steht Open Source zur Verfügung. Mit ihr sollen auch Einsteiger in die Lage versetzt werden, mit Deep Learning zu arbeiten. Programmierfähigkeiten oder Kenntnisse in einer spezifischen Programmiersprache sollen nicht nötig sein. Alle nötigen Angaben werden in wenigen Dateien, deren Struktur vordefiniert ist, gemacht.

Deep Learning für Einsteiger und Fortgeschrittene mit Ludwig

Damit Ludwig den Einsatz von Deep Learning ohne Programmierkenntnisse ermöglichen kann, wurde ein Set aus vorgefertigten Komponenten zusammengestellt. Aus diesen Komponenten kann der Nutzer dann diejenigen wählen, die nach seiner Ansicht am besten zu seinem Vorhaben passen. Zunächst muss der Nutzer allerdings seine Rohdaten in einer tabellarisch aufgebauten Datei vorbereiten.

In einer YAML-Konfigurationsdatei wird festgelegt, in welchen Spalten der tabellarischen Datei die Ein- und Ausgabedaten stehen. In dieser Datei können auch weitere Angaben, beispielsweise zum gewünschten Encoder und Decoder für die Daten oder zu Trainingsparametern, gemacht werden. Momentan enthält Ludwig Encoder und Decoder für binäre Werte, Floats, Kategorien, diskrete Sequenzen, Sets, Bags, Bilder, Text und Zeitreihen.

Auf Wunsch können auch mehrere Encoder oder Decoder für jeden Datentyp genutzt werden, gegenwärtig unterstützt Ludwig beispielsweise Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) für die Verarbeitung von Text. Spezifiziert der Nutzer keinen bevorzugten Encoder und Decoder, wählt Ludwig diese eigenständig aus. Grundlage dafür sind die Erfahrungen des Teams hinter Ludwig sowie wissenschaftliche Literatur. Mit Hilfe des programmatischen APIs bereits erstellte Modelle können mit wenigen Codezeilen geladen, trainiert und eingesetzt werden.

ML Conference 2019

Workshop: Machine Learning 101++ using Python

mit Dr. Pieter Buteneers (Chatlayer.ai)

Honey Bee Conservation using Deep Learning

mit Thiago da Silva Alves, Jean Metz (JArchitects)

Zusätzlich zu dieser, in der der Vorstellung von Ludiwg als einsteigerfreundlich bezeichneten Struktur, sind auch einige Anknüpfungspunkte für erfahrene Anwender vorhanden. Ludwig kann die Traingingsergebnisse visualisieren und ist zur Anzeige des Trainingsfortschritts mit TensorBoard kompatibel. Durch die Verwendung von Horovod können Nutzer, wenn sie über entsprechende Hardware verfügen, ihre Modelle lokal oder verteilt auf mehreren GPUs trainieren. Horovod ist ein Open Source Framework für verteiltes Training.

Das Ludwig-Team gibt Weka, MLlib, Caffee und scikit-learn als Inspirationsquellen für Ludwig an. Für zukünftige Releases von Ludwig ist die Integration weiterer Encoder für verschiedene Datentypen geplant. Dazu gehören Transformer, ELMo und BERT für Text sowie DenseNet und FractalNet für Bilder.

Weitere Informationen sind in der Vorstellung von Ludwig, im GitHub-Repository und der Dokumentation zu finden.

Geschrieben von
Florian Roos
Florian Roos
Florian Roos ist Redakteur für Software & Support Media. Er hat Politikwissenschaft an der Technischen Universität Darmstadt studiert und erste redaktionelle Erfahrungen in den Bereichen Games und Consumer-Hardware gesammelt.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
4000
  Subscribe  
Benachrichtige mich zu: