Machine Learning: Tensorflow 2.0 macht Keras-API zum zentralen Bestandteil

Mit der aktuellen Version 2.0 von Tensorflow soll das Deep-Learning-Framework deutlich einfacher und nutzerfreundlicher werden. Der dazu wohl wichtigste Punkt ist die Reduzierung des API auf Keras.

Artikel veröffentlicht am 1. Oktober 2019, 13:31 Uhr, Sebastian Grüner

Tensorflow 2.0 ist erschienen. (Bild: Tensorflow)

Seit mehr als einem halben Jahr testet die Tensorflow-Community die Version 2.0 seines Deep-Learning-Frameworks, nun ist die Version in der finalen und stabilen Version erschienen. Hauptziel der neuen Veröffentlichung ist es, das Framework einsteiger- und benutzerfreundlicher zu machen. Umgesetzt wird das vor allem, indem API-Aufrufe auf eine einzelne High-Level-Programmierschnittstelle reduziert werden, nämlich das Deep-Learning-API Keras.

Entwicklungsleiter Rajat Monga sagte zur Vorstellung der Alpha von Version 2.0 im Frühjahr dieses Jahres: "In 2.0 dachten wir uns einfach: Okay, wir bleiben einfach bei Karas und haben nicht zwei verschiedene APIs, mit denen man fast das Gleiche erreichen kann. Und so ist Keras Front und Kern und alle anderen APIs verschwinden".

Zusätzlich dazu hat das Team auch mit dem Rest des Tensorflow-API aufgeräumt und eigenen Angaben zufolge viele API-Symbole umbenannt oder entfernt. Auch die Namen von Argumenten sei verändert worden. Ziel dieser Änderungen sei eine bessere Konsistenz und Übersichtlichkeit des API. Für eine Abwärtskompatibilität zum alten API sorgt ein spezielles Modul.

Besseres Training und einheitliches Model-Format

Neu in der aktuellen Version hinzugekommen ist auch ein Distribution-Strategy-API. Mit dessen Hilfe soll sich das Training eines Deep-Learning-Modells mit minimalen Code-Anpassungen auf mehrere verschiedene Geräte wie GPUs, Rechner oder auch Googles TPUs verteilen lassen. Die Unterstützung für die Cloud-TPUs ist jedoch vorerst noch experimentell.

Zum Austausch und Weiterreichen von Modellen nutzt das Projekt nun einheitlich das Saved-Model-Format. Dieses könne von allen in Teilprojekten des Tensorflow-Ökosystems wie Tensorflow Lite, Tensorflow JS, Tensorflow Serving oder Tensorflow Hub genutzt werden. Weitere technische Details liefern die Release-Notes auf Github.