Maschinelles Lernen

Google veröffentlicht Machine-Learning-Library TensorFlow 1.3

Hartmut Schlosser

(c) Shutterstock / I000s_pixels

Eine neue Version des Machine-Learning-Projektes TensorFlow ist erschienen. Die Version 1.3 der Google Library für maschinelles Lernen bringt zahlreiche Verbesserungen mit.

Was ist TensorFlow?

TensorFlow ist eine in Python und C++ geschriebene Bibliothek für maschinelles Lernen, die von Google im November 2015 Open Source zur Verfügung gestellt wurde. Erklärtes Ziel des Projektes ist es, Deep-Learning-Funktionalitäten für ein breites Publikum verfügbar zu machen.

TensorFlow erlaubt es, neuronale Netze durch Graphen zu repräsentieren und auf verteilten Computer-Systemen abzubilden. Durch das Python-Frontend lässt sich TensorFlow leicht mit anderen Machine-Learning- und Big-Data-Projekten verbinden. Seit TensorFlow 1.0, das im Februar 2017 erschienen ist, stehen auch APIs für Java und Go zur Verfügung.

TensorFlow 1.3

TensorFlow 1.3 führt neue High Level API-Funktionen für Nutzer von Keras und TFLearn ein, darunter die Estimators DNNClassifier, DNNRegressor, LinearClassifer, LinearRegressor, DNNLinearCombinedClassifier und DNNLinearCombinedRegressor. Mit dem ersten Release der Library tf.distributions sind zudem sind zahlreiche Statistik-Distributionen hinzugekommen.

Darüber hinaus wurden zwei das bisherige API brechende Veränderungen umgesetzt: die Entfernung von tf.RewriterConfig aus dem Python API sowie die Listen-Konvertierung in tf.contrib.data.Dataset (Listen werden nun implizit nach tf.Tensor konvertiert).

Wer von TensorFlow 1.2.1 auf TensorFlow 1.3 updatet, sollte auch die Library NVIDIA CUDA Deep Neural Network (cuDNN) aktualisieren. Die Binärdistribution von TensorFlow 1.3 wird nämlich nicht mehr mit cuDNN 5.1 sondern mit cuDNN 6 kompiliert. Dieses Upgrade soll vor allem Performance-Gewinne für softmax-Nutzer mit sich bringen. Fest steht außerdem, dass TensorFlow 1.4 auf cuDNN 7 basieren wird.

Neue Funktionalitäten wie Dilated Convolutions, Verbesserungen an der Klasse tf.contrib.data.Dataset sowie zahlreiche Bugfixes runden das Release ab. Eine Übersicht der Neuerungen in TensorFlow 1.3 können Interessierte den Release Notes entnehmen.

Trendthema Machine Learning

Maschinelles Lernen ist momentan einer der dynamischsten Innovationsbereiche der IT. Immer mehr Aspekte des Alltags werden von lernenden Systemen durchdrungen, angefangen bei den Sprachassistenten unserer Mobiltelefone, über personalisierte Internet-Werbung, Bildanalyse und Textübersetzung, bis hin zur Krebs- und Diabetes- Früherkennung.

Für Entwickler ergibt sich ein neues, zukunftsträchtiges Betätigungsfeld. So haben in unserer großen JAXenter-Umfrage denn auch 65% der Teilnehmer angegeben, dass Machine Learning für sie im Jahr 2017 „interessant“ oder „sehr interessant“ werden wird.

Bildschirmfoto 2017-02-16 um 09.54.20

 

Dossier Machine Learning

Zur Einführung in das Thema empfehlen wir unser Dossier zum Maschinellen Lernen, das Sie hier kostenlos als PDF herunterladen können:

Dossier Machine Learning

Inhalt

Folgender Inhalt erwartet Sie:

  • Maschinelles Lernen mit Java: Eine Einführung – Artikel von Lars Schwabe
  • Machine Learning Experten-Check – Sechs Experten über die Faszination an der lernenden Maschine
  • TensorFlow: Der Weg des maschinellen Lernens – Artikel von Bernd Fondermann
  • “Wir sehen Anzeichen dafür, dass Machine-Learning-Systeme eigenen kreativen Output liefern” – Interview mit Bernd Fondermann
  • Künstliche neuronale Netze: Ein Machine-Learning-Beispiel mit Neuroph – Artikel von Dr. Valentin Steinhauer
  • Maschinelles Lernen: Vom Forschungsgegenstand zur Commodity – Interview mit Lars Schwabe
  • Einen eigenen Chatbot bauen – Artikel von Roman Schacherl und Daniel Sklenitzka
  • “Wir werden Sprachinteraktion zwischen Mensch und Maschine bald als einen ganz normalen Prozess erleben” – Interview mit Prof. Dr.-Ing. Dorothea Kolossa

 

Geschrieben von
Hartmut Schlosser
Hartmut Schlosser
Hartmut Schlosser ist Redakteur und Online-Koordinator bei Software & Support Media. Seine Spezialgebiete liegen bei Java-Enterprise-Technologien, JavaFX, Eclipse und DevOps. Vor seiner Tätigkeit bei S & S Media studierte er Musik, Informatik, französische Philologie und Ethnologie.
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.