Suche
Maschinelles Lernen

TensorFlow 1.5 ist da: Neuer Ausführungsmodus und Machine Learning für Mobile

Hartmut Schlosser

© Shutterstock / agsandrew

 

Googles Machine-Learning-Bibliothek TensorFlow steht in einer neuen Version bereit. TensorFlow 1.5 verspricht einen schnelleren Einstieg ins maschinelle Lernen sowie erweiterte Möglichkeiten für mobile Endgeräte.

Was ist TensorFlow?

TensorFlow ist eine in Python und C++ geschriebene Bibliothek für maschinelles Lernen, die von Google Open Source entwickelt wird. 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 1.5

Highlight in TensorFlow 1.5 ist die Integration der sogenannten Eager Execution for TensorFlow. Dabei handelt es sich um ein neues imperatives Interface, in dem Operationen sofort nach einen Python-Aufruf ausgeführt werden. Eine Session.run() ist dafür nicht nötig.

Das TensorFlow Team demonstriert den neuen Ausführungsmodus mit folgendem Beispiel. Zur Multiplikation zweier Matrixen lautet der übliche Python-Code:

 
x = tf.placeholder(tf.float32, shape=[1, 1])
m = tf.matmul(x, x)

with tf.Session() as sess:
  print(sess.run(m, feed_dict={x: [[2.]]}))

Die Eager Execution erlaubt die folgende Schreibweise:

x = [[2.]]
m = tf.matmul(x, x)

print(m)

Mit diesem Modus soll zum einen der schnelle Einstieg in TensorFlow erleichtert werden. Von der Möglichkeit, sofort über Runtime-Fehler informiert zu werden, profitiert zudem das Debugging. Unterstützt werden auch dynamische Modelle über einen einfachen Python Control Flow.

Noch ist die Eager Execution allerdings in einer Preview-Version umgesetzt. Mit Stabilitätsverbesserungen und Erweiterungen darf also gerechnet werden.

TensorFlow Lite

Eine weitere Neuerung ist TensorFlow Lite, die TensorFlow-Variante für mobile und eingebettete Devices, die nun integraler Bestandteil von TensorFlow 1.5 ist. Mit TensorFlow Lite sind Machine-Learning-Funktionalitäten auch auf Ressourcen-beschränkten Geräten möglich. Dafür wird ein bereits trainiertes TensorFlow-Modell mit niedriger Latenz zur Ausführung gebracht.

Beispielsweise kann zur Bilderkennung ein trainiertes Modell auf dem Endgerät deployt werden, sodass die Klassifizierung eines Bildes direkt auf dem Gerät stattfinden kann.

Verbesserungen bei der Nutzung von GPUs, Erweiterungen der Accelerated Linear Algebra sowie eine überarbeitete Dokumentation gehören zu den weiteren Neuerungen in TensorFlow 1.5. Details zu den zahlreichen Bugfixes können in den Release Notes nachgelesen werden.

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“ ist.

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.