Machine-Learning-Frameworks und -Bibliotheken für Python
Der richtige Rahmen
Immer mehr ML-Frameworks buhlen um die Gunst der Entwickler. Dieser Artikel gibt einen Überblick, welches Framework sich für welchen Zweck eignet.
Mit dem Boom des maschinellen Lernens in den letzten Jahren hat sich die Landschaft der ML-Frameworks verändert. Während Frameworks wie Theano oder Microsofts CNTK an Bedeutung verloren haben, hat sich Googles TensorFlow zu einem Quasistandard in der Industrie gemausert und PyTorch findet in der Forschung immer mehr Freunde. Daneben gibt es spezielle Python-Bibliotheken für mathematische Operationen, für das Bearbeiten von Trainingsdaten sowie zur grafischen Darstellung der Ergebnisse. Andere Libraries erleichtern als Abstraktionsschicht den Umgang mit den eigentlichen Frameworks, stellen Interoperabilität zwischen den Modellen her oder sind auf das verteilte Trainieren von ML-Modellen spezialisiert.
TensorFlow mit Keras an Bord
Eines der zurzeit wichtigsten ML-Frameworks ist TensorFlow, ein vom Google-Brain-Team für den internen Bedarf entwickeltes Werkzeug zur datenstromorientierten Programmierung. Der Name TensorFlow stammt von Rechenoperationen, die auf mehrdimensionalen Vektoren, sogenannten Tensoren, ausgeführt werden. TensorFlow war mit dem ersten Release im Jahr 2015 und mit der Bereitstellung als Open Source im Jahr 2017 ein Nachzügler, da sich zuvor bereits eine ganze Reihe anderer ML-Frameworks am Markt etabliert hatte.
