TensorFlow

TensorFlow
Basisdaten
Entwickler	Google Brain Team
Erscheinungsjahr	2015
Aktuelle Version	2.19.0[1] (12. März 2025)
Aktuelle Vorabversion	1.0.0-alpha[2]
Betriebssystem	Microsoft Windows, Linux, macOS, iOS, Android
Programmier­sprache	C++[3][4], Python[3]
Kategorie	Open-Source Programmbibliothek für künstliche Intelligenz
Lizenz	Apache-Lizenz, Version 2.0[5]
www.tensorflow.org

TensorFlow ist ein Framework zur datenstromorientierten Programmierung. Populäre Anwendung findet TensorFlow im Bereich des maschinellen Lernens. Der Name TensorFlow stammt von Rechenoperationen, welche von künstlichen neuronalen Netzen auf mehrdimensionalen Datenfeldern, sog. Tensoren, ausgeführt werden.

TensorFlow wurde ursprünglich vom Google-Brain-Team für den Google-internen Bedarf entwickelt und 2015 unter der Apache-2.0-Open-Source-Lizenz veröffentlicht.^[6][7]

In der Forschung und im Produktivbetrieb wird TensorFlow derzeit in kommerziellen Google-Produkten wie der Spracherkennung, Gmail, Google Fotos und Google-Suche verwendet^[8]. So wird der Kartendienst Maps durch Analyse der von Street View aufgenommenen Fotos von Straßenschildern verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden.^[9] Viele dieser Produkte nutzten früher die Vorgängersoftware DistBelief.

In TensorFlow werden mathematische Operationen in Form eines Graphen dargestellt. Der Graph repräsentiert hierbei den sequenziellen Ablauf aller von TensorFlow durchzuführenden Operationen. Das folgende Beispiel soll die grundlegende Funktionsweise unter Verwendung von Python darstellen:

Zunächst wird die TensorFlow-Bibliothek geladen.

# TensorFlow laden
import tensorflow as tf

Anschließend wird die Session definiert, unter der TensorFlow die Evaluierung der mathematischen Operationen vornimmt.

# TensorFlow Session definieren
sess = tf.Session()

Zwei Konstanten, x und y werden definiert, die miteinander multipliziert werden.

# Zwei Konstanten im "8-bit signed integer"-Format
x = tf.constant(3, dtype=tf.int8)
y = tf.constant(2, dtype=tf.int8)

# Eine Multiplikation
z = tf.multiply(x, y)

Zur Bestimmung des Ergebnisses wird der Graph an der Stelle z ausgeführt.

# Ausführung
sess.run(z)
6

Von Google wurden Tensor Processing Units, also anwendungsspezifische Chips, entwickelt, um das maschinelle Lernen zu unterstützen bzw. zu beschleunigen. Mit dieser Spezialhardware werden die Algorithmen der Programmbibliothek TensorFlow besonders schnell und effizient verarbeitet.^[10]

Seit dem Release von TensorFlow 1.4 ist Keras, eine Open-Source-Deep-Learning-Bibliothek, geschrieben in Python, Teil der TensorFlow Core API. Jedoch wird Keras als eigenständige Bibliothek weitergeführt, da es laut seines Entwicklers François Chollet nicht als alleinige Schnittstelle für TensorFlow, sondern als Schnittstelle für viele Frameworks gedacht ist.^[11][12]

Ab der Version TensorFlow 1.5 wird der Lebenszyklus von Modellen differenziert unterstützt. Zum einen lässt sich nach Import von tensorflow.contrib.eager mit enable_eager_execution() ein Modus einschalten, in dem TensorFlow die in der Python-Shell abgesetzten Befehle direkt ausführt, ohne eine Session. So lässt sich interaktiv entwickeln.^[13] Zum anderen wird zusätzlich TensorFlow Lite ausgeliefert, eine schlanke Variante, mit der sich Modelle nicht trainieren, sondern nur ausführen lassen. Sie ist, wie schon TensorFlow Mobile, speziell für mobile Endgeräte konzipiert.^[14][15] Ebenfalls vorwiegend für die Ausführung von Modellen geeignet sind APIs zur Verwendung von TensorFlow mit den Programmiersprachen Java, C und Go.^[16]

Mit der am 30. September 2019 veröffentlichten Version 2.0^[17] von TensorFlow wurde die API aufgeräumt und erweitert. Insbesondere wurde die Keras-Schnittstelle zur neuen Standard-API für die Modellierung von Deep-Learning-Modellen. Einzelne Funktionen wurden erweitert; so speichert TensorFlow 2 Modelle nun inklusive Gewichten und Berechnungen, was die Weitergabe deutlich vereinfacht.

TensorFlow wird aus Python-Programmen heraus benutzt und ist in Python und C++ implementiert. Es unterstützt die Programmiersprachen Python^[18], C^[19], C++, Go, Java,^[20] JavaScript^[21] und Swift.^[22] Von Drittanbietern gibt es weitere Bibliotheken für die Sprachen C#,^[23] Haskell,^[24] Julia,^[25] R,^[26] Scala,^[27] Rust,^[28] OCaml,^[29] und Crystal.^[30]

• Tom Hope, Yehezkel S. Resheff, Itay Lieder: Einführung in TensorFlow: Deep-Learning-Systeme programmieren, trainieren, skalieren und deployen. Hrsg.: O'Reilly. 1. Auflage. mitp, 2018, ISBN 978-3-96009-074-8. 
• Rezaul Karim: TensorFlow: Powerful Predictive Analytics with TensorFlow. Packt, 2018, ISBN 978-1-78913-691-3 (englisch, eingeschränkte Vorschau in der Google-Buchsuche). 
• Matthieu Deru, Alassane Ndiaye: Deep Learning mit TensorFlow, Keras und TensorFlow.js. 2. Auflage. Rheinwerk Verlag, 2020, ISBN 978-3-8362-7425-8. 

• TensorFlow-Website
• TensorFlow auf GitHub
• Get started with TensorFlow's High-Level APIs (Google I/O '18) auf YouTube - 40min-Quickstart-Talk (englisch) vom 9. Mai 2018
• Kurze Videotutorials auf dem offiziellen YouTube-Kanal auf YouTube
• Learn from ML experts at Google. In: ai.google. Abgerufen am 19. Oktober 2018