Deep Learning mit TensorFlow: Eine Übersicht

Diese Übersicht behandelt die Kernkonzepte und Designentscheidungen von TensorFlow. TensorFlow, ursprünglich von Forschern bei Google entwickelt, ist die populärste unter der Vielzahl von Deep-Learning-Bibliotheken. Im Bereich des Deep Learning haben neuronale Netze enorme Erfolge erzielt und große Beliebtheit in verschiedenen Anwendungsgebieten erlangt. Diese Modellfamilie besitzt zudem ein enormes Potenzial, um die Datenanalyse und -modellierung für verschiedene Problemstellungen in den Bildungs- und Verhaltenswissenschaften zu fördern, aufgrund ihrer Flexibilität und Skalierbarkeit. Wir geben dem Leser einen Überblick über die Grundlagen neuronaler Netzwerkmodelle wie das multilayer perceptron, das convolutional neural network und den stochastischen Gradientenabstieg, die am häufigsten verwendete Optimierungsmethode für neuronale Netzwerkmodelle. Die Implementierung dieser Modelle und Optimierungsalgorithmen ist jedoch zeitaufwendig und fehleranfällig. Glücklicherweise erleichtert und beschleunigt TensorFlow die Forschung und Anwendung neuronaler Netzwerkmodelle erheblich. Wir erläutern mehrere Kernkonzepte von TensorFlow, wie Funktionen zur Graphenkonstruktion, Werkzeuge zur Graphausführung und das Visualisierungstool von TensorFlow, TensorBoard. Anschließend wenden wir diese Konzepte an, um ein convolutional neural network-Modell zu erstellen und zu trainieren, das handgeschriebene Ziffern klassifiziert. Den Abschluss dieser Übersicht bildet ein Vergleich von Low- und High-Level-Application-Programming-Interfaces sowie eine Diskussion der Unterstützung von Grafikprozessoren, des verteilten Trainings und der probabilistischen Modellierung mit der TensorFlow Probability-Bibliothek.