Machine Learning: TensorFlow 1.3 bringt zusätzliche Modelle
Das aktuelle Release erweitert die als "Canned Estimators" bezeichneten vorgefertigten Modelle. Außerdem bildet nun Nvidias CUDA Deep Neural Network Library 6 den Unterbau. Auch bei den Bibliotheken gibt es ein paar Neuzugänge.
Google hat ein halbes Jahr nach dem 1.0-Release die dritte Nebenversion der Machine-Learning-Bibliohek TensorFlow veröffentlicht. Sie bringt einige neue sogenannte "Canned Estimators", die sich als vorgespeicherte Kalkulatoren übersetzen lassen. Dabei handelt es sich um eine Ergänzung der grundsätzlich bewusst allgemein gehaltenen Low-Level-API um vorgefertigte Modelle, die den Einsatz verbreiteter Modellarchitekturen im Bereich des Machine Learning vereinfachen sollen.
Die Neuzugänge DNNClassifier, DNNRegressor, LinearClassifier, LinearRegressor, DNNLinearCombinedClassifier, DNNLinearCombinedRegressor sind allesamt Kindklassen von Estimator, der als Basis für die Trainer der Modelle dient.
TensorFlow 1.3 bringt zwei kleine Änderungen, die zu Inkompatibilitäten führen können (Breaking Changes): Die tf.RewriterConfig ist nicht mehr Bestandteil der API, war aber ohnehin nur in den Release Candidates von Version 1.2 und nicht im fertigen Release enthalten. Außerdem hat sich die tf.contrib.data.Datset-API geändert, weshalb Entwickler eventuell Listen in Tupels ändern müssen.
Bibliotheken und Unterbau
Außerdem haben die Macher die TensorFlow-Bibliotheken erweitert. So bietet nun tf.distributions Funktionen für statistische Verteilungen, tf.contrib.signal bringt Primitive zur Signalverarbeitung, und tf.contrib.resampler hat Funktionen zum Resamplen von Bildern mit GPU und CPU.
Unter der Haube setzt TensorFlow 1.3 nun auf cuDNN 6 (Nvidias CUDA Deep Neural Network Library). Bereits jetzt planen die Macher, das nächste TensorFlow-Release auf cuDNN 7 aufzubauen. Zudem soll nun der Import in Python über import tensorflow deutlich schneller vonstatten gehen.
Die vollständige Liste der Neuerungen lässt sich den Release Notes entnehmen. Der Sourcecode der quelloffenen Bibliothek ist auf GitHub verfügbar. Das Repository enthält auch Links zu Binaries für Linux, Windows, macOS und Android.
