Maschinelles Lernen für alle

TensorFlow 1.0 erschienen: Der neue Standard für Machine Learning
Kommentare

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. 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?

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.

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.

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.

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -