TensorFlow

Einfach erklärt

TensorFlow ist Googles Open-Source-Framework für Deep Learning und das zweite große Framework neben PyTorch. Es wurde 2015 veröffentlicht und war lange der Standard in der Industrie – besonders für Produktions-Deployments. TensorFlow 2.0 hat die API deutlich vereinfacht und Keras als High-Level-Interface integriert. Heute ist PyTorch in der Forschung dominanter, aber TensorFlow bleibt stark in Produktionsumgebungen, besonders bei Google-Cloud-Deployments und TensorFlow Serving.

TensorFlow ist Googles Deep Learning Framework, das besonders stark in Produktion und Mobile Deployment ist. Mit Keras als High-Level-API ist es auch für Einsteiger zugänglich.

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:

• TensorFlow Lite: Modelle auf Smartphones und IoT
• TensorFlow Serving: Skalierbare Produktion
• TensorBoard: Beste Visualisierung für Training
• TFX: Komplette ML-Pipelines

Technischer Deep Dive

TensorFlow Ökosystem

TensorFlow Core
├── Keras (High-Level API)
├── TensorFlow Lite (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

Aspekt	TensorFlow	PyTorch
Entwickler	Google	Meta
API	Keras (high-level)	Native Python
Forschung	Weniger populär	Dominiert
Produktion	Stark (TF Serving)	Aufholend (TorchServe)
Mobile	TF Lite (ausgereift)	PyTorch Mobile
Visualisierung	TensorBoard (exzellent)	TensorBoard (kompatibel)

TensorFlow Lite Beispiel

# Modell für Mobile konvertieren
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?

• Mobile/Edge Deployment (TF Lite ist ausgereifter)
• Google Cloud Integration (Vertex AI)
• Bestehende TensorFlow-Codebasis
• TFX für ML-Pipelines
• Keras für schnelles Prototyping