TensorFlow

In der heutigen Welt ist TensorFlow ein Thema, das in verschiedenen Bereichen große Relevanz erlangt hat. Von der persönlichen bis zur beruflichen Ebene hat TensorFlow in der Gesellschaft breites Interesse und Debatten hervorgerufen. Seine Auswirkungen sind in verschiedenen Bereichen zu beobachten, von der Politik über Technologie bis hin zu Bildung und Kultur. In diesem Artikel werden wir die verschiedenen Aspekte im Zusammenhang mit TensorFlow im Detail untersuchen und seinen Einfluss auf das tägliche Leben und seine Prognose für die Zukunft analysieren. Darüber hinaus werden wir uns mit den möglichen Auswirkungen befassen, die TensorFlow auf die Gesellschaft haben kann, sowie mit den Chancen und Herausforderungen, die es mit sich bringt.

TensorFlow

Logo
Basisdaten

Entwickler Google Brain Team
Erscheinungsjahr 2015
Aktuelle Version 2.19.0[1]
(12. März 2025)
Aktuelle Vorabversion 1.0.0-alpha[2]
Betriebssystem Microsoft Windows, Linux, macOS, iOS, Android
Programmier­sprache C++[3][4], Python[3]
Kategorie Open-Source Programmbibliothek für künstliche Intelligenz
Lizenz Apache-Lizenz, Version 2.0[5]
www.tensorflow.org

TensorFlow ist ein Framework zur datenstromorientierten Programmierung. Populäre Anwendung findet TensorFlow im Bereich des maschinellen Lernens. Der Name TensorFlow stammt von Rechenoperationen, welche von künstlichen neuronalen Netzen auf mehrdimensionalen Datenfeldern, sog. Tensoren, ausgeführt werden.

TensorFlow wurde ursprünglich vom Google-Brain-Team für den Google-internen Bedarf entwickelt und 2015 unter der Apache-2.0-Open-Source-Lizenz veröffentlicht.[6][7]

Beispiel

In der Forschung und im Produktivbetrieb wird TensorFlow derzeit in kommerziellen Google-Produkten wie der Spracherkennung, Gmail, Google Fotos und Google-Suche verwendet[8]. So wird der Kartendienst Maps durch Analyse der von Street View aufgenommenen Fotos von Straßenschildern verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden.[9] Viele dieser Produkte nutzten früher die Vorgängersoftware DistBelief.

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.[10]

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 seines Entwicklers François Chollet nicht als alleinige Schnittstelle für TensorFlow, sondern als Schnittstelle für viele Frameworks gedacht ist.[11][12]

1.5: TensorFlow Lite

Ab 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.[13] 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.[14][15] Ebenfalls vorwiegend für die Ausführung von Modellen geeignet sind APIs zur Verwendung von TensorFlow mit den Programmiersprachen Java, C und Go.[16]

2.0: TensorFlow 2.0

Mit der am 30. September 2019 veröffentlichten Version 2.0[17] von TensorFlow wurde die API aufgeräumt und erweitert. Insbesondere wurde die Keras-Schnittstelle zur neuen Standard-API für die Modellierung von Deep-Learning-Modellen. Einzelne Funktionen wurden erweitert; so speichert TensorFlow 2 Modelle nun inklusive Gewichten und Berechnungen, was die Weitergabe deutlich vereinfacht.

Unterstützte Programmiersprachen

TensorFlow wird aus Python-Programmen heraus benutzt und ist in Python und C++ implementiert. Es unterstützt die Programmiersprachen Python[18], C[19], C++, Go, Java,[20] JavaScript[21] und Swift.[22] Von Drittanbietern gibt es weitere Bibliotheken für die Sprachen C#,[23] Haskell,[24] Julia,[25] R,[26] Scala,[27] Rust,[28] OCaml,[29] und Crystal.[30]

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).
  • Matthieu Deru, Alassane Ndiaye: Deep Learning mit TensorFlow, Keras und TensorFlow.js. 2. Auflage. Rheinwerk Verlag, 2020, ISBN 978-3-8362-7425-8.

Einzelnachweise

  1. ↑ Release 2.19.0. 12. März 2025 (abgerufen am 31. März 2025).
  2. ↑ github.com.
  3. ↑ a b In: MXNet: A Flexible and Efficient Machine Learning Library for Heterogeneous Distributed Systems.
  4. ↑ The tensorflow Open Source Project on Open Hub: Languages Page. In: Open Hub. (abgerufen am 19. Juli 2018).
  5. ↑ The tensorflow Open Source Project on Open Hub: Licenses Page. In: Open Hub. (abgerufen am 19. Juli 2018).
  6. ↑ Machine Learning: TensorFlow 1.0 freigegeben. In: heise online. 17. Februar 2017, abgerufen am 17. Februar 2017.
  7. ↑ Maschinelles Lernen: TensorFlow erscheint für Windows. In: heise Developer. 30. November 2016, abgerufen am 17. Februar 2017.
  8. ↑ TensorFlow Uses | TensorFlow. 15. Februar 2017, archiviert vom Original am 24. November 2018; abgerufen am 17. Februar 2017 (englisch).
  9. ↑ Zbigniew Wojna, Alex Gorban, Dar-Shyang Lee, Kevin Murphy, Qian Yu, Yeqing Li, Julian Ibarz: Attention-based Extraction of Structured Information from Street View Imagery. Abgerufen am 1. Mai 2020 (englisch).
  10. ↑ heise online: Google I/O 2016: „Tensor-Prozessoren“ halfen beim Go-Sieg. 19. Mai 2016, abgerufen am 19. Februar 2017.
  11. ↑ Release TensorFlow 1.4.0. 2. November 2017, abgerufen am 9. Juli 2018 (englisch).
  12. ↑ Good news, Tensorflow chooses Keras! #5050. 16. Januar 2017, abgerufen am 9. Juli 2018 (englisch).
  13. ↑ Rainald Menge-Sonnentag: Machine Learning: TensorFlow 1.5 führt Python-Befehle direkt aus. 29. Januar 2018, abgerufen am 30. Januar 2018.
  14. ↑ Sebastian Grüner: Deep Learning: Tensorflow Lite wird noch kleiner als Tensorflow Mobile – Golem.de. 15. November 2017 (golem.de [abgerufen am 30. Januar 2018]).
  15. ↑ Introduction to TensorFlow Lite  |  TensorFlow. Abgerufen am 30. Januar 2018 (englisch).
  16. ↑ tensorflow.org: Install r1.5.
  17. ↑ TensorFlow 2.0 is now available! Abgerufen am 31. Mai 2020 (englisch).
  18. ↑ All symbols in TensorFlow | TensorFlow. In: TensorFlow. Abgerufen am 18. Februar 2018 (englisch).
  19. ↑ TensorFlow Version Compatibility. In: TensorFlow. Abgerufen am 10. Mai 2018 (englisch): „Some API functions are explicitly marked as “experimental” and can change in backward incompatible ways between minor releases. These include other languages“
  20. ↑ API Documentation. Abgerufen am 27. Juni 2018 (englisch).
  21. ↑ TensorFlow.js. Abgerufen am 28. Juni 2018 (englisch): „TensorFlow.js has an API similar to the TensorFlow Python API, however it does not support all of the functionality of the TensorFlow Python API.“
  22. ↑ Swift for TensorFlow. Archiviert vom Original am 28. Juni 2018; abgerufen am 28. Juni 2018 (englisch): „Swift for TensorFlow is an early stage research project. It has been released to enable open source development and is not yet ready for general use by machine learning developers. The API is subject to change at any time.“
  23. ↑ TensorFlow.NET: .NET Standard bindings for TensorFlow. 11. Dezember 2018, abgerufen am 11. Dezember 2018 (englisch).
  24. ↑ haskell: Haskell bindings for TensorFlow. tensorflow, 17. Februar 2018, abgerufen am 18. Februar 2018 (englisch).
  25. ↑ malmaud/TensorFlow.jl. In: GitHub. Abgerufen am 28. Juni 2018 (englisch).
  26. ↑ tensorflow: TensorFlow for R. RStudio, 17. Februar 2018, abgerufen am 18. Februar 2018 (englisch).
  27. ↑ tensorflow_scala: TensorFlow API for the Scala Programming Language. 17. Februar 2018, abgerufen am 18. Februar 2018 (englisch).
  28. ↑ rust: Rust language bindings for TensorFlow. tensorflow, 17. Februar 2018, abgerufen am 18. Februar 2018 (englisch).
  29. ↑ Laurent Mazare: tensorflow-ocaml: OCaml bindings for TensorFlow. 16. Februar 2018, abgerufen am 18. Februar 2018 (englisch).
  30. ↑ fazibear/tensorflow.cr. In: GitHub. Abgerufen am 10. Oktober 2018 (englisch).