TensorFlow

Zurück zu Modul 3 | Zurück zum Inhaltsverzeichnis

3.6 TensorFlow-Übersicht

TensorFlow ist ein Open-Source-Framework für maschinelles Lernen, das von Google entwickelt wurde. Es wird weit verbreitet eingesetzt, um Deep-Learning-Modelle in Bereichen wie Bildklassifizierung, Objekterkennung, NLP und Zeitreihenvorhersage zu erstellen, zu trainieren und bereitzustellen.

Auf Jetson-Plattformen kann TensorFlow die GPU-Beschleunigung nutzen, um die Trainings- und Inferenzleistung zu verbessern, was es für Edge-AI-Entwicklung geeignet macht.

Wichtige Funktionen

  • Unterstützung für High-Level-APIs durch Keras (tf.keras) für schnelle Modellentwicklung.
  • Flexible Modellexport- und Bereitstellungsoptionen (SavedModel, TensorFlow Lite, ONNX-Konvertierungsworkflows).
  • Umfangreiche Ökosystem-Tools, einschließlich TensorBoard zur Visualisierung und Fehlerbehebung.
  • Skalierbare Ausführung von lokalen Geräten bis zur Cloud-Infrastruktur.

Typischer Workflow

  1. Daten vorbereiten und vorverarbeiten.
  2. Modell mit tf.keras erstellen und trainieren.
  3. Modellgenauigkeit und -leistung bewerten.
  4. Modell für die Inferenz exportieren und bereitstellen.

Schnelles Beispiel (Keras)

python
import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(32,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

print("TensorFlow version:", tf.__version__)

Nützliche TensorFlow-Links

Zurück zu Modul 3