Maschinelles Lernen mit TensorFlow (Teil 1) 09.11.2017, 08:12 Uhr

Grundlagen, Ökosystem und Architektur

Seit der Freigabe von TensorFlow als Open-Source-Software gewinnt das KI-Framework von Google immer mehr Zulauf.
Als Nachfolger von DistBelief machte das Google Brain-Team die zweite Generation seiner plattformunabhängigen KI-Programmbibliothek TensorFlow für das Maschinelle Lernen (ML) öffentlich verfügbar. Die Konzeption von TensorFlow basiert auf den Erfahrungen beim Einsatz von DistBelief, vor allem sollten dessen Beschränkungen beseitigt und neuere Entwicklungen Eingang finden. Bei dieser Neukonzeption nutzte Google intensiv Methoden des Software-Engineerings, so dass sich TensorFlow mit seinem Ökosystem mittlerweile auf dem Weg zu einer integrierten Entwicklungsumgebung (IDE) für KI-Anwendungen befindet.
Primär verfolgt Google mit TensorFlow zwar das Ziel des ML, jedoch eignet sich das System aufgrund seines allgemeinen Ansatzes und seiner qualitativ hochwertigen Architektur auch für weitere Anwendungsgebiete mit einem hohen Bedarf an Ressourcen. Insbesondere hat sich die Verwendung des Python-Ökosystems für das KI-Framework als geeignetes und stabiles Fundament erwiesen. Gegenüber DistBelief ist TensorFlow flexibler, schneller und unterstützt wesentlich mehr Modelle des ML. Inzwischen nutzt Google TensorFlow offiziell als Grundlage für RankBrain, dem KI-Algorithmus zur Ermittlung der Ergebnisreihenfolge von Suchanfragen.

Diesen Artikel lesen Sie exklusiv als web & mobile DEVELOPERplus Abonnent

Sie wollen zukünftig auch von den Vorteilen eines plus-Abos profitieren? Werden Sie jetzt web&mobile Developer plus Kunde.
- 2 Monate Gratis testen
- Über 4.000 qualifizierte Fachartikel
- Diverse DevBooks thematisch für Sie zusammen gestellt
- Webcasts von 30 - 90 Min.
- Aufzeichnungen von ausgewählten Fortbildungen und Konferenzen
- Auf jedem Gerät verfügbar