TensorFlow

TensorFlow im Überblick

TensorFlow ist Googles Open-Source-Framework für Machine Learning und Deep Learning. Es verbindet grundlegende Tensor- und Trainingsfunktionen mit Keras, TensorBoard, TFX und einer breiten Sammlung von Tutorials. Für On-Device-Inferenz führt Google heute LiteRT als plattformübergreifende Runtime. Bestehende TensorFlow-Projekte können weiterhin eigene Anforderungen an Version, Konvertierung und Serving haben.

TensorFlow ist Googles Deep-Learning-Framework. Mit Keras als High-Level-API können Teams Modelle schrittweise vom Prototyp in trainier- und betreibbare Workflows überführen.

TensorFlow heute:

import tensorflow as tf
from tensorflow import keras

# Keras macht TensorFlow einfach
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(x_train, y_train, epochs=5)

Stärken von TensorFlow:

• LiteRT: Ausführung auf Mobile-, Web-, Desktop- und Edge-Geräten
• TensorFlow Serving: Eine Option für TensorFlow-spezifisches Serving
• TensorBoard: Visualisierung von Training und Metriken
• TFX: Komplette ML-Pipelines

Technisch betrachtet

TensorFlow Ökosystem

TensorFlow Core
├── Keras (High-Level API)
├── LiteRT (Mobile/Edge)
├── TensorFlow.js (Browser)
├── TensorFlow Serving (Production)
├── TFX (ML Pipelines)
├── TensorBoard (Visualization)
└── TensorFlow Hub (Pre-trained Models)

Keras Sequential Model

model = keras.Sequential([
    keras.layers.Conv2D(32, 3, activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D(),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.summary()  # Zeigt Architektur

TensorFlow vs. PyTorch

Konvertierung für On-Device-Inferenz

# TensorFlow-kompatibler Konvertierungsweg; aktuelle LiteRT-Dokumentation prüfen
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Speichern
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

Wann TensorFlow wählen?

• On-Device-Inferenz mit LiteRT und kompatiblen Modellen
• Google Cloud Integration (Vertex AI)
• Bestehende TensorFlow-Codebasis
• TFX für ML-Pipelines
• Keras für schnelles Prototyping