Das beliebte Machine-Learning-Framework TensorFlow hat seine neuste Version, TensorFlow 2․0, herausgebracht. Die neue Version beinhaltet viele Verbesserungen obwohl dabei der Fokus auf der vereinfachten API liegt. Zusätzlich wurde die High-Level-API der Deep-Learning-Bibliothek Keras (tf.keras) integriert welche Namespaces wie tf.layers, tf.losses und tf.metrics ersetzt.
Da die zweite Hauptversion des Frameworks nun standardmäßig auf den in TensorFlow 1․5 eingeführten Eager-Execution-Modus setzt, verzichtet es auf Konstrukte wie die Sessions und die globalen Namespaces im Graphen oder stellt sie lediglich aus Kompatibilitätsgründen bereit. Wer dennoch auf Graphen nicht verzichten möchte kann mit dem tf.function-Dekorator & AutoGraph das Beste aus beiden Welten kombinieren: die Einfachheit idiomatischen Python-Codes und die Performance und Portabilität eines Graphen der sich mit TensorFlow Serving standardisiert deployen lässt.
Außerdem erhalten Anwender ein Migrationstool an die Hand, das dabei hilft, alte Implementierungen mit wenig Anpassungen auf TensorFlow 2․0 umzustellen.
Wer tiefer in die Neuerungen des neuen Release eintauchen möchte, sollte einen Blick in die Release Notes werfen oder in den aktuellen Artikel auf heise Developer.
Siehe dazu auf heise Developer:
- Evolution im Machine Learning: TensorFlow 2․0
- Machine Learning: Keras künftig ausschließlich auf TensorFlow ausgerichtet
Kommentare