Machine Learning: Google lanciert TensorFlow Enterprise und TensorBoard.dev

Der Internet-Konzern bietet mit nun einen sich an große Unternehmen richtenden Cloud-Dienst für das Machine-Learning-Framework TensorFlow an.

In Pocket speichern vorlesen Druckansicht
Machine Learning: Google lanciert TensorFlow Enterprise und TensorBoard.dev

(Bild: Google)

Lesezeit: 2 Min.
Von
  • Alexander Neumann

Google hat Preview-Phasen für TensorBoard.dev und von TensorFlow Enterprise gestartet. Ersteres dient der gemeinsamen Nutzung von TensorBoard-Visualisierungen und TensorFlow Enterprise ist ein Cloud-Service, der durch die Zusammenarbeit zwischen den Entwicklerteams des quelloffenen Machine-Learning-Frameworks TensorFlow und der Google Cloud Platform entstanden ist.

TensorFlow Enterprise stellt eine für große Unternehmen konfektionierte Version von TensorFlow bereit. Es nutzt Googles KI-Plattform und Kubernetes Engines sowie speziell angepasste Versionen der generell verfügbaren Services Deep Learning VMs (GA) und Deep Learning Containers, die noch Beta-Status haben. Der Service soll Verbesserungen beim Lesen von Daten und bis zu drei Jahre Unterstützung für Sicherheitspatches und ausgewählte Bugfixes bieten. Die bereitgestellten Versionen werden in der Google Cloud unterstützt, und alle Patches und Bugfixes werden im TensorFlow-Code-Repository verfügbar sein. Im Angebot enthalten sind außerdem direkte Supportleistungen durch die Google-Cloud- und TensorFlow-Ingenieure bei der Schulung und Bereitstellung von KI-Systemen.

TensorBoard ist ein Open-Source-Visualisierungs-Toolkit für TensorFlow, mit dem sich Kennzahlen wie Verlust und Genauigkeit verfolgen, ein Modelldiagramm visualisieren sowie Histogramme von Gewichten, Verzerrungen oder anderen Tensoren anzeigen lassen, die sich im Laufe der Zeit ändern. Mit TensorBoard.dev erhält man ein gemanagtes TensorBoard-Angebot, mit dem sich Machine-Learning-Testergebnisse hochladen und mit anderen teilen lassen. Google verspricht hierfür einen einfachen Einstieg ohne große Bereitstellung sowie einen freien Speicherplatz für bis zu 10 Millionen Datenpunkte. Das Teilen der Testergebnisse soll dabei helfen, Fehler zu beheben und die Teamarbeit fördern.

Weitere Informationen zu TensorFlow Enterprise finden sich in der Ankündigung sowie in einem eher technischen Blogbeitrag. Für die tiefere Beschäftigung mit TensorBoard.dev bietet sich der Besuch der Website des Projekts an. (ane)