TensorFlow
| TensorFlow
| |
|---|---|
| |
| Basisdaten
| |
| Entwickler | Google Brain Team |
| Erscheinungsjahr | 2015 |
| Aktuelle Version | 2.19.0[1] (12. März 2025) |
| Aktuelle Vorabversion | 1.0.0-alpha[2] |
| Betriebssystem | Linux, macOS, Windows |
| Programmiersprache | Python, C++ |
| Kategorie | Open-Source Programmbibliothek für künstliche Intelligenz |
| Lizenz | Apache 2.0 open source license |
| www.tensorflow.org | |
TensorFlow ist ein Framework zur datenstromorientierten Programmierung. Es wird von Python-Programmen heraus benutzt und ist in Python und C++ implementiert. Populäre Anwendung findet TensorFlow im Bereich des maschinellen Lernens. In der Forschung und im Produktivbetrieb wird sie derzeit von verschiedenen Teams in kommerziellen Google-Produkten wie Spracherkennung, Gmail, Google Fotos und Google Suche verwendet[3]. So wird der Kartendienst Maps durch Analyse der von Street View aufgenommenen Fotos, die mit Hilfe einer auf TensorFlow basierenden KI analysiert werden, verbessert.[4] Viele dieser Produkte nutzten früher die Vorgängersoftware DistBelief. TensorFlow wurde ursprünglich vom Google-Brain-Team für den Google-internen Bedarf entwickelt und später unter der Apache-2.0-Open-Source-Lizenz veröffentlicht.[5][6]
Beispiel
In TensorFlow werden mathematische Operationen in Form eines Graphen dargestellt. Der Graph repräsentiert hierbei den sequenziellen Ablauf aller von TensorFlow durchzuführenden Operationen. Das folgende Beispiel soll die grundlegende Funktionsweise darstellen:
# TensorFlow laden
import tensorflow as tf
# TensorFlow Session definieren
sess = tf.Session()
# Zwei Konstanten
x = tf.constant(3, dtype=tf.int8)
y = tf.constant(2, dtype=tf.int8)
# Eine Multiplikation
z = tf.multiply(x, y)
# Ausführung
sess.run(z)
6
Zunächst wird die TensorFlow-Bibliothek geladen. Anschließend wird die Session definiert, unter der TensorFlow die Evaluierung der mathematischen Operationen vornimmt. Im obigen Beispiel werden zwei Konstanten, x und y definiert, die miteinander multipliziert werden. Zur Bestimmung des Ergebnisses wird der Graph an der Stelle z ausgeführt.
Tensor Processing Unit (TPU)
Von Google wurden Tensor Processing Units, also anwendungsspezifische Chips, entwickelt, um das maschinelle Lernen zu unterstützen bzw. zu beschleunigen. Mit dieser Spezialhardware werden die Algorithmen der Programmbibliothek TensorFlow besonders schnell und effizient verarbeitet.[7]
TensorFlow Lite
Von der Version TensorFlow 1.5 an wird zusätzlich TensorFlow Lite mit ausgeliefert. Hierbei handelt es sich um eine schlanke Variante dieses Frameworks, die speziell für mobile Endgeräte konzipiert ist. Diese Lite-Variante ist nicht zum Training der Modelle gedacht, sondern lediglich zum Anwenden bereits trainierter Modelle.[8][9][10]
Literatur
- Tom Hope, Yehezkel S. Resheff, Itay Lieder: Einführung in TensorFlow: Deep-Learning-Systeme programmieren, trainieren, skalieren und deployen. Hrsg.: O'Reilly. 1. Auflage. mitp, 2018, ISBN 978-3-96009-074-8.
- Rezaul Karim: TensorFlow: Powerful Predictive Analytics with TensorFlow. Packt, 2018, ISBN 978-1-78913-691-3 (englisch, google.de).
Einzelnachweise
- ↑ Release 2.19.0. 12. März 2025 (abgerufen am 31. März 2025).
- ↑ github.com.
- ↑ TensorFlow Uses | TensorFlow. 15. Februar 2017, abgerufen am 17. Februar 2017 (englisch).
- ↑ heise online: KI: Google verbessert Maps mit Street-View-Bildern. Abgerufen am 9. September 2017.
- ↑ heise online: Machine Learning: TensorFlow 1.0 freigegeben. 17. Februar 2017, abgerufen am 17. Februar 2017.
- ↑ heise Developer: Maschinelles Lernen: TensorFlow erscheint für Windows. 30. November 2016, abgerufen am 17. Februar 2017.
- ↑ heise online: Google I/O 2016: "Tensor-Prozessoren" halfen beim Go-Sieg. 19. Mai 2016, abgerufen am 19. Februar 2017.
- ↑ Rainald Menge-Sonnentag: Machine Learning: TensorFlow 1.5 führt Python-Befehle direkt aus. 29. Januar 2018, abgerufen am 30. Januar 2018 (deutsch).
- ↑ Sebastian Grüner: Deep Learning: Tensorflow Lite wird noch kleiner als Tensorflow Mobile – Golem.de. 15. November 2017 (golem.de [abgerufen am 30. Januar 2018]).
- ↑ Introduction to TensorFlow Lite | TensorFlow. Abgerufen am 30. Januar 2018 (englisch).