TensorFlow ist eines der wichtigsten Frameworks im Deep-Learning-Bereich. Die Architektur wurde für Version 2.0 gründlich überarbeitet. Die ausgereifte Veröffentlichung bietet weitreichende Nutzungsmöglichkeiten für das Deep Learning.

Langsam, aber sicher etabliert sich Machine Learning in vielen Unternehmen und wird ein fester Bestandteil in einem Toolrepertoire, wenn Daten analysiert und über prädiktive Algorithmen Prozesse automatisiert werden sollen. Gerade bei der Bild- und Spracherkennung ist Deep Learning, ein Unterbereich des Machine Learning, ein wichtiger Enabler. Immer zahlreicher werden die Veröffentlichungen von quelloffenen Frameworks und Bibliotheken, welche die Verwendung von Deep Learning vereinfachen sollen. Eines dieser Frameworks trägt den Namen TensorFlow [1] und hat seit seiner Veröffentlichung 2015 viele Anhänger gefunden, insbesondere in der Forschung an Hochschulen sowie in der Praxis der Industrie und in der Medizin. So können zum Beispiel mit speziell ausgelegten Algorithmen Vorabtests durchgeführt werden, um Hautkrebs vorzeitig zu erkennen oder um Handschriftzeichen zu digitalisieren. Die Möglichkeiten mit TensorFlow sind äußerst vielseitig: Dabei sind es methodisch betrachtet unterschiedliche Konzepte künstlicher neuronaler Netze, die die Umsetzung solcher Anwendungen ermöglichen. TensorFlow ist darüber hinaus ein Tool in Form einer Programmierbibliothek, die die Implementierung derartiger neuronaler Netze ermöglicht.

Obwohl TensorFlow eines der beliebtesten ML Frameworks ist, ist die Nutzung auf Grund der Low-Level-Programmierung für den ungeübten Anwender oder für Einsteiger sehr irreführend und unhandlich. Und dies war einer der Hauptgründe für Google, eine reifere Version von TensorFlow in der Version 2.0 freizugeben. Dabei wurde eine Bereinigung der APIs vorgenommen und diverse Modi, beispielsweise Eager Execution, wurden als Standard gesetzt, um die Programmierung zu vereinfachen. Der Fokus von TensorFlow 2.0 liegt eindeutig dari...