Machine Learning: TensorFlow 1.5 führt Python-Befehle direkt aus
Durch die sogenannte Eager Execution erhalten Entwickler direkt Resultate für ihre Python-Befehle, ohne zunächst eine Session starten zu müssen. Außerdem ist TensorFlow Lite nun Bestandteil des Machine-Learning-Frameworks.
- Rainald Menge-Sonnentag
Knapp ein Jahr nach dem 1.0-Release ist nun TensorFlow 1.5 erschienen. Zu den Neuerungen in Googles Open-Source-Bibliothek für Machine Learning (ML) gehört unter anderem die Anbindung an Nvidias CUDA-9-Plattform (Compute Unified Device Architecture) und die darauf aufsetzende CUDA Deep Neural Network Library (cuDNN) in Version 7. Die vorkompilierten Binaries von TensorFlow sind ab sofort für die aktuellen Plattformen ausgelegt.
Direkte Befehlsausführung
Für Entwickler ist die sogenannte Eager Execution die wohl interessanteste Neuerung. Sie können darüber die in Python verfassten TensorFlow-Befehle direkt ausführen. Bisher startete das Framework die Abarbeitung der Befehle erst nach dem Aufruf von Session.run(). Durch die direkte Ausführung sollen Entwickler Code leichter debuggen können, da sie eine direkte Rückmeldung auf Laufzeitfehler erhalten. Auch können sie Python-Tools direkt in die Abläufe integrieren. Mit Eager Execution lässt sich beispielsweise die Multiplikation zweier Matrizen wie im TensorFlow-Blog gezeigt umsetzen:
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
x = [[2.]]
m = tf.matmul(x, x)
und das Resultat anschließend direkt von der Kommandozeile aus mit print(m) überprüfen.
Das mobile TensorFlow
Im November 2017 hatte Google TensorFlow Lite angekündigt, eine schlanke Variante des ML-Frameworks, die speziell auf mobile Endgeräte und Embedded Devices zugeschnitten ist. Sie ist auf den Einsatz trainierter Modelle ausgerichtet und benötigt keine Anbindung an die Cloud, sondern die Ausführung erfolgt auf dem Endgerät. Das deutlich rechenintensivere Training der Modelle ist explizit nicht vorgesehen. TensorFlow 1.5 hat die schlanke Variante an Bord, inklusive einer Beispielanwendung zur Kategorisierung von Bildern.
Weitere Ergänzungen in TensorFlow 1.5 wie die ALX-Verbesserungen (Accelerated Linear Algebra) lassen sich dem TensorFlow-Blog entnehmen. Die Release Notes führen eine vollständige Liste der Neuerungen auf. Eine genauere Dokumentation zur Eager Execution lässt sich dem GitHub-Repository von TensorFlow 1.5 entnehmen, das neben dem Sourcecode auch Hinweise zur Installation der Binaries enthält. (rme)
