TensorFlow ist ein Open-Source-Framework für maschinelles Lernen und künstliche Intelligenz von Google. Einsatz findet TensorFlow insbesondere bei Deep Learning Anwendungen wie Bilderkennung und Textverarbeitung wie Natural Language Processing oder Spracherkennung.
In diesem Beitrag gehe ich auf die Grundlagen von Google TensorFlow ein und zeige euch ein kleines Beispiel zur Bilderkennung von handgeschriebenen Ziffern.
Was ist TensorFlow?
TensorFlow ist ein Open-Source-Framework für maschinelles Lernen, was insbesondere in der Forschung und für die Anwendung in Unternehmen eingesetzt wird. Ursprünglich war der Einsatz bei Google für interne Zwecke gedacht, allerdings wurde das große Potential schnell erkannt. TF bietet viele Möglichkeiten für Anfänger, sowie für Deep Learning Experten.
Auch für viele klassische Anwendungsfälle des maschinellen Lernens wird TensorFlow eingesetzt. Allerdings liegen die Stärken von TensorFlow in der Entwicklung von komplexen Deep Learning Anwendungen, wie beispielsweise Text- oder Bilderkennung.
Ein großer Vorteil ist, dass sich Deep Learning Anwendungen auf einer GPU (Grafikkarte) ausführen lassen, was numerische Berechnungen besonders schnell macht.
Neben TensorFlow gibt es eine vereinfachte Schnittstelle namens Keras, die für die modulare Entwicklung von Deep Learning Modellen gedacht ist. Keras ist deutlich einfacher zu programmieren und daher für den Einstieg in Deep Learning geeignet.
Seit Oktober 2019 gibt es die TensorFlow 2.0 Version öffentlich. In der Version 2.0 wird der Modellbau einfacher und die Performance deutlich besser.
TensorFlow Architektur
Für die Entwicklung von analytischen Anwendungen unterstützt das Framework viele verschiedene Umgebungen, wie Desktop, Mobile, Web und Cloud.
Das folgende Architekturbild von Google zeigt schön die Möglichkeiten von TensorFlow.
In TensorFlow kann ein Modell auf unterschiedlichen Recheneinheiten trainiert werden: CPU, GPU und TPU. TPU steht für Tensor Processing Unit, dies sind speziell von Google entwickelte Chips, die maschinelles Lernen beschleunigen und speziell auf die Bibliotheken von TF abgestimmt sind. Besonders bei großen Datenmengen macht sich dies bemerkbar.
Computer Vision nutzen!
Nutzen Sie die Vorteile von Computer Vision um Ihnen einen unaufhaltbaren Wettbewerbsvorsprung zu ermöglichen.
Für die produktive Nutzung gibt es unterschiedliche Möglichkeiten: TF Serving, TF Lite (für Mobiltelefone und Android-Anwendungen), eine JavaSkript-Version (TF.Js), sowie andere Implementierungen wie beispielsweise in C.
Besonders interessant sind TF-Lite und TF.js, welche beide für mobile Anwendungen gedacht sind.
Künstliche Intelligenz optimiert Marketing und Vertrieb
In 6 Fallstudien erfahren Sie:
- Wie Sie 29% mehr Umsatz pro Kampagne machen.
- Wie Sie durch KI und Automatisierung mehr Zeit gewinnen.
- Wie Sie 300% mehr Conversions zur richtigen Zeit machen.
Weiterentwicklung durch die Open-Source-Gemeinschaft
Durch die Open-Source-Gemeinschaft wird die Weiterentwicklung stark vorangetrieben. So zählt das Projekt im Bereich des maschinellen Lernens zu den aktivsten.
Das Google Team hat Prozesse für das TF GitHub aufgesetzt und managed alle Anfragen. Die TF-Gemeinschaft ist groß und mit über 1.000 Entwicklern sehr aktiv. Auch die hohe Anzahl von Bewertungen (130.000 Sterne Mitte 2019) auf GitHub zeigt das rege Interesse an dem Projekt.
TF Modelle (teils vortrainiert)
Es wird eine große Bibliothek von (vortrainierten) Modellen zur freien Verfügung bereitgestellt. Dabei unterscheidet das Projekt in “offizielle Modelle” und “Forschungsmodelle”.
Die Modelle werden über das High-Level-API von TensorFlow genutzt und für neue Versionen von TF gewartet. Dazu zählt zum Beispiel das bekannte ResNet (zur Objekterkennung in Bildern geeignet), welches wir schon in meinem Artikel über Transfer Learning besprochen haben.
Bekannte Deep Learning Modelle von TF:
- ResNet wird häufig zu Bilderkennung eingesetzt.
- Objekterkennung mit TF liefert extrem gute Ergebnisse und hat schon in der COCO Challenge Top-Plätze belegt.
- BERT ein vortrainiertes Modell zur Erkennung von natürlicher Sprache, was neue Maßstäbe setzt und die Möglichkeiten für Textverarbeitung stark erweitert.
Weitere Modelle die zur Verfügung stehen findet Ihr in dem GitHub Repo.
Vorbereitete Datensätze für den Lernprozess
In TF gibt es eine große Auswahl von definierten Trainingsdaten, die für das Lernen von Modellen genutzt werden können.
Hier ein Beispiel wie ihr das MNIST-Datensatz abrufen könnt:
Beispiel für Bilderkennung
Einfaches Beispiel zur TensorFlow Bilderkennung von handgeschriebenen Ziffern (MNIST Datensatz). Wir nutzen hier das High-Level-API Keras, was uns die Arbeit deutlich einfacher macht.
Die Importfunktion von TF Datensätzen liefert uns die MNIST-Daten bereits in einem brauchbaren Format. So können wir damit direkt ein künstliches Neuronales Netz erstellen:
Zur Ausführung des Codes, kann ich euch Google Colab empfehlen, dort könnt ihr GPU Rechenleistung kostenlos nutzen.
Nach der 5 Epoche sollte das künstliche Neuronale Netz über eine Genauigkeit von ca. 98 % verfügen.
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
