TensorFlow
TensorFlow ist ein Open-Source-Framework, das von Google-Forschern entwickelt wurde, um maschinelles Lernen, Deep Learning und andere statistische und prädiktive Analyseaufgaben auszuführen. Wie ähnliche Plattformen wurde es entwickelt, um den Prozess der Entwicklung und Ausführung fortgeschrittener Analyseanwendungen für Nutzer wie Datenwissenschaftler, Statistiker und prädiktive Modellierer zu rationalisieren.
Die TensorFlow-Software verarbeitet Datensätze, die als Rechenknoten in Graphenform angeordnet sind. Die Edges, die die Knoten in einem Graphen verbinden, können mehrdimensionale Vektoren oder Matrizen darstellen, die so genannte Tensoren bilden. Da TensorFlow-Programme eine Datenflussarchitektur verwenden, die mit verallgemeinerten Zwischenergebnissen der Berechnungen arbeitet, sind sie besonders offen für sehr groß angelegte Parallelverarbeitungsanwendungen, wobei neuronale Netze ein gängiges Beispiel sind.
Das Framework umfasst eine Reihe von High-Level- und Low-Level-APIs. Google empfiehlt, wenn möglich die High-Level-APIs zu verwenden, um die Entwicklung von Daten-Pipelines und die Anwendungsprogrammierung zu vereinfachen. Die Kenntnis der Low-Level-APIs (TensorFlow Core genannt) kann laut Google jedoch für das Experimentieren und das Debuggen von Anwendungen wertvoll sein; es gibt den Nutzern auch ein mentales Modell der inneren Funktionsweise der Machine-Learning-Technologie.
TensorFlow-Anwendungen können sowohl auf herkömmlichen CPUs als auch auf leistungsfähigeren Grafikprozessoren(GPUs) sowie auf Googles eigenen Tensor Processing Units (TPUs) laufen, die speziell für die Beschleunigung von TensorFlow-Aufgaben entwickelt wurden. Googles erste TPUs, die 2016 öffentlich vorgestellt wurden, wurden intern in Verbindung mit TensorFlow verwendet, um einige der Anwendungen und Online-Dienste des Unternehmens zu betreiben, einschließlich des RankBrain-Suchalgorithmus und der Street-View-Kartierungstechnologie.
Anfang 2018 erweiterte Google seine externen TensorFlow-Bemühungen, indem es die zweite Generation der TPUs den Nutzern der Google Cloud Platform zum Trainieren und Ausführen ihrer eigenen maschinellen Lernmodelle zur Verfügung stellte. TensorFlow-basierte Arbeitslasten werden auf Sekundenbasis abgerechnet. Der Cloud-TPU-Service wurde zunächst als Beta-Programm gestartet, bei dem laut Google nur begrenzte Mengen der Ressourcen zur Verfügung standen.
Ursprünge und Veröffentlichungen von TensorFlow
TensorFlow trat in die Fußstapfen eines Closed-Source-Google-Frameworks namens DistBelief, das das Unternehmen intern zur Durchführung von unbeaufsichtigtem Feature-Learning- und Deep-Learning-Anwendungen auf der Grundlage extrem großer neuronaler Netze und des Backpropagation-Algorithmus verwendete.
DistBelief, das Google 2012 zum ersten Mal im Detail vorstellte, war eine Testumgebung für Deep-Learning-Implementierungen, die fortschrittliche Bild- und Spracherkennung, natürliche Sprachverarbeitung (Natural Language Processing, NLP), Empfehlungsmaschinen und prädiktive Analysen umfassten.
TensorFlow unterscheidet sich von DistBelief in einer Reihe von Punkten. Da TensorFlow so konzipiert wurde, dass es unabhängig von Googles eigener Recheninfrastruktur arbeiten kann, war sein Code leichter auf externe Anwendungen übertragbar. Es ist auch ein allgemeineres Framework für maschinelles Lernen, das nicht so stark auf neuronale Netze ausgerichtet ist wie DistBelief. Außerdem ist es darauf ausgelegt, eine schnellere Konfiguration zu unterstützen und mit den High-Level-APIs zu arbeiten.
Google veröffentlichte TensorFlow als Open-Source-Technologie im Jahr 2015 unter einer Apache-2.0-Lizenz. Seitdem hat das Framework eine Vielzahl von Anhängern über Google hinaus gewonnen. Zum Beispiel werden TensorFlow-Werkzeuge als Zusatzmodule für maschinelles Lernen und KI-Entwicklungssuiten von IBM, Microsoft und anderen unterstützt.
Anfang 2017 erreichte TensorFlow den Status von Release 1.0.0. Diese Version fügte einen speziellen Debugger, einen domänenspezifischen Compiler für TensorFlow-Graphen, Docker-Container-Images für Version 3 der Programmiersprache Python und eine experimentelle Java-API hinzu. Vier weitere Versionen folgten im Laufe des Jahres 2017; eine TensorFlow Lite Version, die für den Einsatz auf mobilen und eingebetteten Geräten optimiert ist, wurde ebenfalls als Developer Preview eingeführt. Im Februar 2018 war TensorFlow auf dem Stand von Release 1.6.0.
Anwendungen von TensorFlow
Bei den meisten TensorFlow-Anwendungen handelt es sich um fortgeschrittene und groß angelegte KI-Unternehmungen im Bereich des maschinellen Lernens und des Deep Learning. Als Grundlage für Googles maschinelles Lernsystem RankBrain wurde TensorFlow eingesetzt, um die Fähigkeiten der Suchmaschine, dem Flaggschiff des Unternehmens, zum Auffinden von Informationen zu verbessern.
Google hat das Framework auch für Anwendungen wie die automatische Generierung von E-Mail-Antworten, die Klassifizierung von Bildern und die optische Zeichenerkennung sowie für eine Anwendung zur Entdeckung von Medikamenten verwendet, an der das Unternehmen gemeinsam mit Forschern der Stanford University gearbeitet hat.
Technische Führungskräfte und Fachleute
bei Google diskutieren die Entwicklung
und den Einsatz von TensorFlow.
Andere Unternehmen, die auf der TensorFlow-Website als Nutzer des Frameworks aufgeführt sind, sind Airbnb, Coca-Cola, eBay, Intel, Qualcomm, SAP, Twitter, Uber und der Snapchat-Entwickler Snap Inc. Ein weiterer Nutzer ist STATS LLC, ein Sportberatungsunternehmen, das TensorFlow-basierte Deep-Learning-Modelle einsetzt, um zum Beispiel die Bewegungen von Spielern während professioneller Sportspiele zu analysieren.
Deep Learning auf der Grundlage von TensorFlow war auch Teil von Experimenten und Tests im Zusammenhang mit einer der größten heute vorgeschlagenen Innovationen, nämlich selbstfahrenden Autos. Es wurden auch einige kleinere Anwendungen gefunden. Ein kleiner japanischer Bauernhof verwendet TensorFlow beispielsweise, um Gurken nach ihrer Beschaffenheit zu sortieren.
