{"id":38573,"date":"2019-10-31T22:24:37","date_gmt":"2019-10-31T19:24:37","guid":{"rendered":"https:\/\/prohoster.info\/blog\/vypusk-sistemy-mashinnogo-obucheniya-tensorflow-2-0\/"},"modified":"2019-10-31T22:24:37","modified_gmt":"2019-10-31T19:24:37","slug":"vypusk-sistemy-mashinnogo-obucheniya-tensorflow-2-0","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/vypusk-sistemy-mashinnogo-obucheniya-tensorflow-2-0","title":{"rendered":"Ver\u00f6ffentlichung des Machine-Learning-Systems TensorFlow 2.0","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Pr\u00e4sentiert<\/a><\/noindex> bedeutende Ver\u00f6ffentlichung der Machine Learning Plattform TensorFlow 2.0<\/a><\/noindex>, die fertige Implementierungen verschiedener Algorithmen des tiefen maschinellen Lernens, eine einfache Programmierschnittstelle zur Erstellung von Modellen in Python sowie eine Low-Level-Schnittstelle f\u00fcr C++ bietet, die die Verwaltung von Berechnungsgrafiken erm\u00f6glicht. Der Systemcode ist in C++ und Python geschrieben und wird unter der GPLv3-Lizenz bereitgestellt.<\/a><\/noindex> unter der Apache-Lizenz. <\/p>\n

wurde urspr\u00fcnglich vom Google Brain Team entwickelt und wird in Google-Diensten zur Spracherkennung, Gesichtserkennung in Fotos, Bild\u00e4hnlichkeitsbestimmung, Spam-Filterung in Gmail, Personalisierung<\/a><\/noindex> von Nachrichten in Google News und kontextsensitiver \u00dcbersetzung verwendet. Verteilte Systeme f\u00fcr maschinelles Lernen k\u00f6nnen auf Standardhardware erstellt werden, dank der integrierten Unterst\u00fctzung in TensorFlow f\u00fcr die Verteilung von Berechnungen auf mehrere CPUs oder GPUs. <\/p>\n

TensorFlow bietet eine Bibliothek mit vorgefertigten Algorithmen f\u00fcr numerische Berechnungen, die \u00fcber Datenflussgraphen implementiert sind. Die Knoten in diesen Graphen f\u00fchren mathematische Operationen oder Ein-\/Ausgabepunkte aus, w\u00e4hrend die Kanten des Graphen mehrdimensionale Datenarrays (Tensors) darstellen, die zwischen den Knoten flie\u00dfen.
\nKnoten k\u00f6nnen bestimmten Recheneinheiten zugewiesen werden und asynchron ausgef\u00fchrt werden, wodurch alle passenden Tensors parallel verarbeitet werden k\u00f6nnen. Dies erm\u00f6glicht die gleichzeitige Aktivierung der Knoten in einem neuronalen Netzwerk, \u00e4hnlich der gleichzeitigen Aktivierung von Neuronen im Gehirn.<\/p>\n

Bei der Vorbereitung auf die neue Version lag der Fokus auf Vereinfachung und Benutzerfreundlichkeit. Einige<\/a><\/noindex> Neuheiten<\/a><\/noindex>:<\/p>\n