Suche
Maschinelles Lernen für alle

TensorFlow 1.0 erschienen: Der neue Standard für Machine Learning

Hartmut Schlosser
TensorFlow 1.0

(c) Shutterstock / I000s_pixels

 

Google hat das Machine-Learning-Framework TensorFlow 1.0 veröffentlicht. Ein überarbeitetes Python API, experimentelle Java- und Go-Schnittstellen und ein neuer Compiler machen das Release zu einem Meilenstein für maschinelles Lernen.

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

Ein wichtiger Meilenstein für das Maschinelle Lernen ist nun erreicht: Google hat die erste Major-Version des ML-Frameworks TensorFlow 1.0 veröffentlicht. Was steht auf dem Spiel?

Lesen Sie auch: Maschinelles Lernen: Vom Forschungsgegenstand zur Commodity

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. TensorFlow erlaubt es, neuronale Netze durch Graphen zu repräsentieren und auf verteilten Computer-Systemen abzubilden.

Das Besondere an TensorFlow ist, dass es Deep-Learning-Funktionalitäten quasi für Jedermann verfügbar macht. Durch das Python-Frontend lässt sich TensorFlow leicht mit anderen Machine-Learning- und Big-Data-Projekten verbinden. Die TensorBoard-Oberfläche hilft bei der Erstellung und dem Training von Modellen. Betrieben werden kann TensorFlow sowohl auf CPUs als auch auf GPUs, Google selbst baut sogar eigens für TensorFlow optimierte Chips (TPUs).

So war die Akzeptanz und Verbreitung der TensorFlow 0.x-Versionen in den letzten Monaten bereits hoch. Mit der jetzt veröffentlichten Version 1.0 wird jedoch der Anspruch erhoben, TensorFlow reif für den Produktiveinsatz zu machen.

tensorflow2wpi0

TensorFlow 1.0

In der Ankündigung zu TensorFlow 1.0 vermeldet Google, dass TensorFlows grundlegendes Python API nun als stabil angesehen werden kann. Zumindest bis zur nächsten Major-Version 2.0 sind keine Änderungen zu erwarten, die die Rückwärtskompatibilität brechen würden. Gegenüber früheren Versionen wurde das Python API nochmals überarbeitet, um eine größere Konsistenz zwischen der Syntax von TensorFlow und Python (NumPy) zu erreichen.

Dadurch haben sich aber auch einige Breaking Changes ergeben, die eine Anpassung existierender Python-Anwendungen nötig machen. Google hat dafür einen Migration Guide sowie ein Skript bereitgestellt, das alte TensorFlow-API-Skripts an das neue API annähert.

Lesen Sie auch: “Wir sehen Anzeichen dafür, dass Machine-Learning-Systeme eigenen kreativen Output liefern”

Neben dem Python API, das angesichts der Verbreitung von Python im Machine-Learning-Umfeld bisher im Zentrum stand, hat TensorFlow 1.0 auch experimentelle APIs für Java und Go mit an Bord. Experimentell bedeutet hier, dass die APIs noch nicht von der TensorFlow API Stabilitätsgarantie abgedeckt werden. Es kann sich bis zu den finalen Versionen also noch einiges ändern.

Ebenfalls experimentell ist der neue Compiler für lineare Algebra: XLA (Accelerated Linear Algebra). Mit XLA sollen Berechnungen beschleunigt werden, um optimierten Maschinen-Code für spezifische CPUs oder GPUs zu produzieren. Google hat auf tensorflow.org Tuning-Tipps bereitgestellt, die zeigen, wie XLA optimal in eigenen Modellen genutzt werden kann. Geplant sind weitere Performance-Verbesserungen auf der Basis des XLA-Compilers.

Ein anderes Ziel von XLA besteht darin, durch domänen-spezifische Kompilierung die Portabilität von TensorFlow-Programmen zu erhöhen. Große Quellcode-Teile von TensorFlow-Anwendungen sollen sich so unverändert auf neuer Hardware betreiben lassen.

Durch eine optimierte Speichernutzung und einen reduzierten Footprint profitieren zudem Mobile-Anwendungen. Die Unterstützung für Android, iOS und Raspberry Pi wurde bereits in früheren TensorFlow-Versionen umgesetzt. TensorFlow 1.0 baut darauf auf und fügt Neuerungen wie Personenerkennung und ein Kamera-basiertes Personenverfremdungs-Demo hinzu.

Mehr zum Thema

TensorFlow 1.0 wurde auf dem TensorFlow Dev Summit vorgestellt, von dem es auch einige Videos zu sehen gibt. Neben der Live-Ankündigung sind etwa die Hands-on Sessions zu XLA und TensorBoard sehenswert.

Dossier Machine Learning

Zur Einführung in das Thema empfehlen wir zudem 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, Eclipse, ALM und DevOps. Vor seiner Tätigkeit bei S & S Media studierte er Musik, Informatik, französische Philologie und Ethnologie.
Kommentare

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht.