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 aus 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 unter Verwendung von Python darstellen:
Zunächst wird die TensorFlow-Bibliothek geladen.
# TensorFlow laden
import tensorflow as tf
Anschließend wird die Session definiert, unter der TensorFlow die Evaluierung der mathematischen Operationen vornimmt.
# TensorFlow Session definieren
sess = tf.Session()
Zwei Konstanten, x und y werden definiert, die miteinander multipliziert werden.
# Zwei Konstanten im "8-bit signed integer"-Format
x = tf.constant(3, dtype=tf.int8)
y = tf.constant(2, dtype=tf.int8)
# Eine Multiplikation
z = tf.multiply(x, y)
Zur Bestimmung des Ergebnisses wird der Graph an der Stelle z ausgeführt.
# Ausführung
sess.run(z)
6
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-Releases
1.4: Keras
Seit dem Release von TensorFlow 1.4 ist Keras, eine Open Source-Deep-Learning-Bibliothek, geschrieben in Python, Teil der Tensorflow Core API. Jedoch wird Keras als eigenständige Bibliothek weitergeführt, da es laut seinem Entwickler François Chollet nicht als alleinige Schnittstelle für Tensorflow, sondern als Schnittstelle für viele Frameworks gedacht ist.[8][9]
1.5: TensorFlow Lite
Seit der Version TensorFlow 1.5 wird der Lebenszyklus von Modellen differenziert unterstützt. Zum einen lässt sich nach Import von tensorflow.contrib.eager mit enable_eager_execution() ein Modus einschalten, in dem TensorFlow die in der Python-Shell abgesetzten Befehle direkt ausführt, ohne eine Session. So lässt sich interaktiv entwickeln.[10] Zum anderen wird zusätzlich TensorFlow Lite ausgeliefert, eine schlanke Variante, mit der sich Modelle nicht trainieren, sondern nur ausführen lassen. Sie ist, wie schon TensorFlow Mobile, speziell für mobile Endgeräte konzipiert.[11][12] Ebenfalls vorwiegend für die Ausführung von Modellen geeignet sind APIs zur Verwendung von TensorFlow mit den Programmiersprachen Java, C und Go.[13]
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, eingeschränkte Vorschau in der Google-Buchsuche).
Weblinks
- TensorFlow-Website
- TensorFlow auf GitHub
- Get started with TensorFlow's High-Level APIs (Google I/O '18) auf YouTube - 40min-Quickstart-Talk (englisch) vom 9. Mai 2018
- Kurze Videotutorials auf dem offiziellen YouTube-Kanal auf YouTube
- Blogartikel zur Einführung in TensorFlow (deutsch)
- Learn from ML experts at Google. In: ai.google. Abgerufen am 19. Oktober 2018.
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.
- ↑ Release TensorFlow 1.4.0. 2. November 2017, abgerufen am 9. Juli 2018 (englisch).
- ↑ Good news, Tensorflow chooses Keras! #5050. 16. Januar 2017, abgerufen am 9. Juli 2018 (englisch).
- ↑ Rainald Menge-Sonnentag: Machine Learning: TensorFlow 1.5 führt Python-Befehle direkt aus. 29. Januar 2018, abgerufen am 30. Januar 2018.
- ↑ 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).
- ↑ tensorflow.org: Install r1.5.