Machine Learning: TensorFlow 1.14 bereitet den Übergang auf Version 2.0 vor
Das Framework TensorFlow verfügt nun über ein Kompatibilitätsmodul, das für einen reibungslosen Übergang zur nächsten Major-Version sorgen soll.
![Machine Learning: TensorFlow 1.14 bereitet den Übergang auf Version 2.0 vor](https://heise.cloudimg.io/width/610/q85.png-lossy-85.webp-lossy-85.foil1/_www-heise-de_/imgs/18/2/6/9/9/4/1/1/Machine_Learning_1400px-2b17e22225d84877.jpeg)
(Bild: Machine Learning & Artificial Intelligence / Mike MacKenzie / cc-by-2.0))
- Björn Bohn
Das Machine-Learning-Framework TensorFlow ist in Version 1.14 erschienen. Wichtig ist das Release insofern, da es als erstes das compat.v2-Modul enthält. Es erlaubt Bibliotheken, Code zu veröffentlichen, der sowohl in TensorFlow 1.x als auch in dem wohl noch in diesem Jahr erscheinenden TensorFlow 2.0 funktionieren soll. Nach diesem Release sollen keine Änderungen in der Python-API mehr zulässig sein, die nicht rückwärtskompatibel sind. Eine Reihe an neuen Funktionen bietet das Release jedoch ebenfalls.
Die Änderungen im Detail
Neben dem Kompatibilitätsmodul hat TensorFlow die Math Kernel Library for Deep Neural Networks (MKL-DNN) nun standardmäßig aktiviert. Sie soll automatisch die beste Kernelimplementierung auf Basis der CPU-Vektor-Architektur ausliefern. Wer lieber ohne arbeiten möchte, kann den Befehl --define=tensorflow_mkldnn_contraction_kernel=0 nutzen. Darüber hinaus sollen Nicht-Windows-Systembibliotheken nun versioniert werden. Für die meisten Nutzer sei dies laut dem TensorFlow-Team aber nicht von Bedeutung, da es nur die Maintainer von System-Packages und Entwickler von TensorFlow-Erweiterungen betreffen.
Zusätzlich hat TensorFlow sein Verhalten dahingehend geändert, dass die Loss Reduction künftig standardmäßig auf AUTO eingestellt ist. Die Einstellung bedeutet, dass die Reduzierungsoption anhand des Anwendungsfalls festgelegt wird. Für nahezu alle Fälle bedeutet das wohl SUM_OVER_BATCH_SIZE
Eine vollständige Liste der Änderungen findet sich in den Release Notes. Wer TensorFlow ausprobieren möchte, findet das gesamte Projekt auf GitHub. Ein genaues Release Date für TensorFlow 2.0 steht noch nicht fest, Anfang Juni erschien allerdings eine erste Beta-Version. Ein Release Candidate soll laut den Entwicklern im Sommer folgen.
Mehr dazu auf heise Developer:
(bbo)