• Publikation
  • TensorFlow 2.0 und Keras: Imperative Modellentwicklung
  • TensorFlow 2.0 und Keras: Imperative Modellentwicklung

iX Deveoper

12/20

TensorFlow 2.0 und Keras: Imperative Modellentwicklung

Geschrieben von:
Mark Keinhörster

TensorFlow ist nach wie vor der Platzhirsch unter den ML-Frameworks. Durch die direkte Integration von Keras und den standardmäßigen Weg über Eager Execution statt Berechnungsgraph, lassen sich Modelle noch einfacher ohne große Einarbeitung erstellen.
Durch zeitgemäße Frameworks haben Machine-Learning-Methoden inzwischen den Weg aus der Forschung in die Industrie gefunden. Ob in der Verarbeitung natürlicher Sprache oder in der Objekterkennung – Machine- und Deep-Learning-Modelle sind kaum mehr wegzudenken. Eines der bekanntesten ML-Frameworks ist TensorFlow, das seit 2015 existiert. Version 2.0 brachte 2019 zahlreiche Neuerungen und grundlegende Änderungen mit: Die API ist aufgeräumt, Eager Execution ist Standard und Keras ist als tf.keras direkt integriert.

Sanfter Einstieg

Vor dem Entwickeln des ersten ML-Modells gilt es, einige Begrifflichkeiten zu klären, allen voran den Tensor, der im Namen des Frameworks steckt. Tensoren lassen sich, wenn auch mathematisch nicht ganz korrekt, im Kontext von TensorFlow als mehrdimensionale Arrays definieren. Die Anzahl der Dimensionen heißt auch Rang. Während bei niedrigen Rängen noch von Skalar, Vektor oder Matrix die Rede ist, werden Arrays mit mehr als zwei Dimensionen als Tensoren bezeichnet. Tabelle 1 zeigt dazu eine kurze Übersicht.

Vollständiger Artikel

Hinweis: In Ihrem Browser ist JavaScript deaktiviert. Für eine bessere und fehlerfreie Nutzung dieser Webseite, aktivieren Sie bitte JavaScript in Ihrem Browser.