{"id":166780,"date":"2023-05-07T21:56:15","date_gmt":"2023-05-07T20:56:15","guid":{"rendered":"https:\/\/liora.io\/de\/?p=166780"},"modified":"2026-02-06T06:49:48","modified_gmt":"2026-02-06T05:49:48","slug":"tensorflow","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/tensorflow","title":{"rendered":"TensorFlow: Das Framework von Google f\u00fcr Machine Learning"},"content":{"rendered":"<p><strong>TensorFlow ist ein Framework f\u00fcr Machine Learning, das von Google entwickelt wurde und als Open Source verf\u00fcgbar ist. Hier erf\u00e4hrst du alles, was du dar\u00fcber wissen musst: Geschichte, Funktionsweise, Vorteile, Schulungen&#8230;<\/strong><\/p>\n<p><a href=\"https:\/\/liora.io\/de\/machine-learning-definition-funktionsweise-anwendungen\">Machine Learning<\/a> ist eine komplexe Disziplin, aber gl\u00fccklicherweise gibt es Werkzeuge, die die Implementierung vereinfachen. Zu diesen Ressourcen geh\u00f6rt <strong>das TensorFlow-Framework von Google<\/strong>.<\/p>\n<p>Es handelt sich um eine <strong>Open-Source-Bibliothek f\u00fcr numerische Berechnungen<\/strong> und Machine Learning, die mit der Programmiersprache Python kompatibel ist. Sie vereinfacht den Prozess der Datenerfassung, des Trainings von Machine-Learning-Modellen, der Generierung von Vorhersagen und der Verfeinerung zuk\u00fcnftiger Ergebnisse.<\/p>\n<p>TensorFlow vereint Modelle und Algorithmen f\u00fcr Machine Learning <a href=\"https:\/\/liora.io\/de\/deep-learning-vs-machine-learning\">und Deep Learning<\/a>. <a href=\"\/\">Die Programmiersprache Python<\/a> bietet eine praktische und komfortable Front-End-API, um Anwendungen mithilfe dieses Frameworks zu erstellen. Diese Anwendungen k\u00f6nnen dann in C++ ausgef\u00fchrt werden.<\/p>\n<p>Dieses Framework kann verwendet werden, um <strong>tiefe neuronale Netze f\u00fcr die<\/strong> Klassifizierung von handgeschriebenen Zahlen, f\u00fcr die Bilderkennung, f\u00fcr lexikalisches Plinking, f\u00fcr rekursive neuronale Netze, f\u00fcr &#8222;sequence-to-sequence&#8220;-Modelle f\u00fcr die maschinelle \u00dcbersetzung, f\u00fcr die nat\u00fcrliche Sprachverarbeitung und f\u00fcr Simulationen, die auf partiellen Differentialgleichungen basieren, zu <strong>trainieren und auszuf\u00fchren<\/strong>.<\/p>\n<p><iframe title=\"Introduction \u00e0 l&#039;apprentissage automatique (Coding TensorFlow en fran\u00e7ais)\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/sdIINp0-CAA?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Die Geschichte von TensorFlow<\/h3>\n<p>TensorFlow wurde urspr\u00fcnglich <b>vom Google Brain-Team entwickelt<\/b>. Ziel war es urspr\u00fcnglich, neuronale Netze zur Verbesserung von Google-Diensten wie Gmail, Fotos oder der Suchmaschine zu verwenden. Mithilfe dieses Frameworks konnten Forscher und Entwickler gemeinsam an einem KI-Modell arbeiten. In der Folge wurde TensorFlow <b>Ende 2015 <\/b>zum ersten Mal <b>\u00f6ffentlich zug\u00e4nglich gemacht.<\/b> Die erste stabile Version stammt jedoch aus dem Jahr 2017. Das Tool ist <b>Open Source und steht unter der Apache Open Source Lizenz<\/b>. Es ist also m\u00f6glich, es zu nutzen, zu ver\u00e4ndern und die ver\u00e4nderte Version in kommerzieller Form weiterzuverbreiten, ohne Google daf\u00fcr bezahlen zu m\u00fcssen.<\/p>\n<h3>Wie funktioniert das?<\/h3>\n<p>Entwickler k\u00f6nnen sogenannte <b>&#8222;dataflow graphs&#8220; <\/b>(<b>Datenflussgrafiken) <\/b>erstellen. Dabei handelt es sich um Strukturen, mit denen sich beschreiben l\u00e4sst, wie Daten mithilfe von Grafiken oder einer Reihe von Verarbeitungsknoten \u00fcbertragen werden.<\/p>\n<p>Jeder <b>Knoten im Diagramm <\/b>stellt eine mathematische Operation dar. Jede Verbindung zwischen den Knoten ist ein mehrdimensionales Datenarray: ein Tensor.<\/p>\n<p>Die Interaktion mit TensorFlow erfolgt \u00fcber <a href=\"https:\/\/liora.io\/blog-data-ia-actualites\/programmation-python\">die Sprache Python<\/a>, die sowohl einfach zu erlernen als auch zu verwenden ist. Mit dieser Sprache l\u00e4sst sich leicht ausdr\u00fccken, wie hochrangige Abstraktionen miteinander gekoppelt werden k\u00f6nnen.<\/p>\n<p>Die <b>Knoten und Tensoren von TensorFlow <\/b>sind Python-Objekte. Die TensorFlow-Anwendungen selbst sind Python-Anwendungen.<\/p>\n<p>Dennoch werden die mathematischen Operationen selbst nicht in Python ausgef\u00fchrt. Die Transformationsbibliotheken, auf die \u00fcber TensorFlow zugegriffen werden kann, sind als hochleistungsf\u00e4hige <b>C++-Bin\u00e4rdateien <\/b>geschrieben. Die Sprache Python leitet lediglich den Datenverkehr zwischen den einzelnen Teilen und erm\u00f6glicht es, sie durch hochrangige Abstraktionen miteinander zu verbinden.<\/p>\n<p>TensorFlow-Anwendungen k\u00f6nnen auf einem lokalen Rechner, einem Cluster in der Cloud, auf iOS- oder Android-Smartphones und -Tablets oder auf CPUs und GPUs ausgef\u00fchrt werden. In seiner eigenen Cloud bietet Google an, TensorFlow auf <b>seinen TensorFlow Processing Unit (TPU)-Chips <\/b>auszuf\u00fchren, um von der erh\u00f6hten Beschleunigung zu profitieren. Die von TensorFlow erstellten Modelle k\u00f6nnen dann auf jedem beliebigen Ger\u00e4t eingesetzt werden, um Vorhersagen zu treffen.<\/p>\n<p>Mit <b>TensorFlow 2.0, <\/b>das <b>im Oktober 2019 ver\u00f6ffentlicht wird, wurde <\/b>das Framework einer grundlegenden \u00dcberarbeitung unterzogen. Die vorgenommenen \u00c4nderungen basieren auf dem Feedback der Nutzer.<\/p>\n<p>Die neue Version ist leistungsf\u00e4higer und einfacher zu bedienen, insbesondere durch die Verwendung der <b>Keras-API f\u00fcr das Training von Modellen<\/b>. Eine neue API vereinfacht das verteilte Training.<\/p>\n<p>Die <b>Kompatibilit\u00e4t mit TensorFlow Lite <\/b>erm\u00f6glicht es, Modelle auf einer breiteren Palette von Plattformen einzusetzen. Einziger Wermutstropfen: Der f\u00fcr fr\u00fchere TensorFlow-Versionen geschriebene Code muss neu geschrieben werden, um die neuen Funktionen von TensorFlow 2.0 voll nutzen zu k\u00f6nnen.<\/p>\n<p><a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\"><br \/>\nLernen, TensorFlow zu verwenden<br \/>\n<\/a><\/p>\n<h3>Die Vorteile von TensorFlow<\/h3>\n<p>TensorFlow bietet viele Vorteile f\u00fcr die Entwicklung von Machine Learning. Einer der wichtigsten <b>ist die Abstraktion<\/b>.<\/p>\n<p>Anstatt sich mit den Details der Implementierung von Algorithmen oder der Verbindung zwischen Funktionen zu besch\u00e4ftigen, k\u00f6nnen <b>sich <\/b>die Entwickler <b>auf die allgemeine Logik <\/b>der Anwendung <b>konzentrieren.<\/b> Das Framework k\u00fcmmert sich um die technischen Details.<\/p>\n<p>Auch das <b>Debuggen und Pr\u00fcfen von Anwendungen <\/b>wird vereinfacht. So kann z. B. im Modus &#8222;eager execution&#8220; jede Operation eines Graphen separat bewertet und ver\u00e4ndert werden. Der Graph ist also kein einzelnes, undurchsichtiges Objekt, das vollst\u00e4ndig ausgewertet werden muss. Die Visualisierungssuite TensorBoard wiederum erm\u00f6glicht es, die Art und Weise, wie Grafiken ausgef\u00fchrt werden, \u00fcber ein interaktives, webbasiertes Dashboard zu inspizieren.<\/p>\n<p>Au\u00dferdem ist <b>die Tatsache, dass Google hinter dem Projekt steht, <\/b>ein echter Vorteil. Dadurch konnte die Entwicklung beschleunigt werden, aber auch zahlreiche Angebote rund um TensorFlow geschaffen werden, die den Einsatz und die Nutzung vereinfachen.<\/p>\n<p>Dazu geh\u00f6ren <b>TPU-Chips<\/b>, die eine h\u00f6here Leistung in der Google Cloud erm\u00f6glichen, aber auch ein Online-Hub zum Teilen von Modellen, die mit dem Framework erstellt wurden, sowie Versionen f\u00fcr Mobilger\u00e4te und das Web.<\/p>\n<p><iframe title=\"Why TensorFlow?\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/yjprpOoH5c8?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Alternativen zu TensorFlow<\/h3>\n<p>Auf dem Markt der Machine-Learning-Frameworks gibt es <b>mehrere Alternativen zu TensorFlow.<\/b> Zu den beliebtesten geh\u00f6ren PyTorch, CNTK und MXNet.<\/p>\n<p><b>PyTorch <\/b>hat viele \u00c4hnlichkeiten mit TensorFlow. Dieses Framework basiert auf der Programmiersprache Python und setzt auf hardwarebeschleunigte Komponenten. Es bietet auch ein hochgradig interaktives Entwicklungsmodell und viele sehr n\u00fctzliche Komponenten, die bereits enthalten sind.<\/p>\n<p>Im Allgemeinen ist Pytorch die bessere Wahl <b>f\u00fcr die schnelle Entwicklung <\/b>von Projekten. F\u00fcr gr\u00f6\u00dfere Projekte und komplexere Arbeitsabl\u00e4ufe wird hingegen TensorFlow bevorzugt.<\/p>\n<p><b>CNTK ist die Toolsuite von Microsoft Cognitive<\/b>. Wie TensorFlow verwendet sie eine grafische Struktur zur Beschreibung von Datenstr\u00f6men. Sie konzentriert sich jedoch auf die Erstellung von neuronalen Netzen f\u00fcr Deep Learning.<\/p>\n<p>Infolgedessen kann CNTK <b>Aufgaben f\u00fcr neuronale Netze <\/b>schneller bew\u00e4ltigen. Es bietet auch einen gr\u00f6\u00dferen Satz an APIs: Python, C++, C#, Java&#8230; es ist jedoch schwieriger zu beherrschen und einzusetzen als TensorFlow.<\/p>\n<p>Schlie\u00dflich wurde <b>Apache MXNet von Amazon <\/b>als das wichtigste Framework f\u00fcr Deep Learning auf AWS \u00fcbernommen. Es kann linear auf mehrere GPUs und Maschinen erweitert werden. Dieses Framework ist mit einer Vielzahl von APIs f\u00fcr Programmiersprachen kompatibel: <a href=\"https:\/\/liora.io\/de\/python\">Python<\/a>, C++, Scala, R, JavaScript, Julia, Perl, Go&#8230;<\/p>\n<p><iframe title=\"Most Popular Machine Learning Libraries | 2013-2019\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/744f60NyAgc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Wie lerne ich, sie zu nutzen?<\/h3>\n<p>Um zu lernen, wie man TensorFlow verwendet, kannst du dich an unsere Ausbildung <a href=\"https:\/\/liora.io\/machine-learning-engineer-tout-savoir\">zum Machine Learning Engineer<\/a> wenden. Du wirst lernen, alle wichtigen Werkzeuge und Techniken eines Machine Learning Engineers zu verwenden, einschlie\u00dflich des Google-Frameworks.<\/p>\n<p><a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\"><br \/>\nBeginne einen Machine Learning Engineer-Kurs<br \/>\n<\/a><\/p>\n<p>Du wei\u00dft alles \u00fcber TensorFlow. Hier erf\u00e4hrst du mehr \u00fcber andere unverzichtbare Tools f\u00fcr Machine Learning, z. B. <a href=\"https:\/\/liora.io\/de\/apache-airflow-was-ist-das-und-wie-kann-man-es-nutzen\">den Apache AirFlow Workflow Scheduler<\/a> und den <a href=\"https:\/\/liora.io\/de\/github\">Code-Hosting-Service GitHub<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>TensorFlow ist ein Framework f\u00fcr Machine Learning, das von Google entwickelt wurde und als Open Source verf\u00fcgbar ist. Hier erf\u00e4hrst du alles, was du dar\u00fcber wissen musst: Geschichte, Funktionsweise, Vorteile, Schulungen&#8230; Machine Learning ist eine komplexe Disziplin, aber gl\u00fccklicherweise gibt es Werkzeuge, die die Implementierung vereinfachen. Zu diesen Ressourcen geh\u00f6rt das TensorFlow-Framework von Google. Es [&hellip;]<\/p>\n","protected":false},"author":79,"featured_media":166781,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-166780","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/79"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=166780"}],"version-history":[{"count":2,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166780\/revisions"}],"predecessor-version":[{"id":217558,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166780\/revisions\/217558"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/166781"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=166780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=166780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}