Maschinelles Lernen: Tensorflow bringt langfristig stabile API

Das Deep-Learning-Framwork Tensorflow von Google verspricht mit Version 1.0 Stabilität für seine Python-API und beschleunigt die aktuelle und zukünftige Arbeit mit der Einführung des domain-spezifischen Algebra-Compilers.

Artikel veröffentlicht am 16. Februar 2017, 14:12 Uhr, Kristian Kißling/Linux Magazin

Tensorflow erreicht Version 1.0. (Bild: Google)

Auf dem Tensorflow Dev Summit haben Google-Mitarbeiter die Version 1.0 der gleichnamigen Deep-Learning-Software veröffentlicht. Die erstmals im November 2015 unter einer offenen Lizenz verfügbare Software komme mittlerweile in Tausenden Projekten zum Einsatz, etwa als Übersetzungstool, zum frühen Erkennen von Brustkrebs und zum Verhindern von Erblindungen bei Diabetikern.

Für Entwickler machen neue High-Level-APIs den Umgang mit Tensorflow flexibler. Die Macher der Software führen dafür die Module tf.layers, tf.metrics, tf.losses sowie tf.keras ein. Letzteres sorgt für Kompatibilität zu Keras, einer weiteren populären High-Level-Bibliothek für neuronale Netzwerke. Zugleich verspricht Tensorflow 1.0 Stabilität für seine Python-API. Diese ähnele nun deutlicher der API von Numpy. Gute Nachrichten auch für Nutzer von Python 3: Es gibt nicht nur Docker-Images für Python 3, Tensorflow gibt es nun auch als Pypi-kompatibles Pip-Paket und lässt sich über pip install tensorflow installieren.

Dank XLA (Accelerated Linear Algebra) arbeitet Tensorflow deutlich schneller als zuvor. Dabei handelt es sich um einen domain-spezifischen Compiler, der sich sowohl mit JIT- (Just in Time) als auch AoT-Kompilierung (Ahead of Time) nutzen lässt und die zu leistende Rechenarbeit von Tensorflow optimiert. Das betreffe nicht nur die Ausführungsgeschwindigkeit, sondern auch die Speichernutzung, die Portierbarkeit und den mobilen Einsatz.

Nutzer sollten diese Veränderungen standardmäßig nicht bemerken, XLA lege zunächst nur den Grundstein für künftige Leistungsverbesserungen. Anwender können jedoch ihre Modelle auf XLA anpassen, um Geschwindigkeitssteigerungen zu erreichen. Die Ankündigung verlinkt dazu einige Tipps und Tricks. Demnächst will das Projekt aktualisierte Implementierungen diverser populärer Modelle veröffentlichen und damit die Geschwindigkeitsvorteile von Tensorflow 1.0 demonstrieren.

Der Code von Tensorflow Version 1.0 findet sich auf Github.