Deep Learning: Python-Bibliothek Keras zur Zusammenarbeit mit TensorFlow optimiert

Für die zweite Hauptversion der Deep-Learning-Bibliothek haben die Entwickler unter anderem die API derartig überarbeitet, dass sie nicht nur einfacher zu nutzen ist, sondern auch den TensorFlow-Konventionen folgt.

 –  0 Kommentare
Deep Learning; Python-Bibliothek Keras zur Zusammenarbeit mit TensorFlow optimiert
Anzeige

Gut zwei Jahre nach dem ersten Release steht nun die zweite Hauptversion der Keras-Bibliothek für Deep Learning mit Python zum Download bereit. Die meisten Änderungen betreffen die API, wobei sie die erste mit Langzeit-Support sein soll und kompatibel mit den Konventionen der TensorFlow-Bibliothek.

Zwar lässt sich Keras schon seit Ende 2015 mit TensorFlow als Backend nutzen, die API soll aber ab TF 1.2 auch direkt als Teil der Machine-Learning-Bibliothek verfügbar sein. Zukünftig soll die Keras-Spezifikation in zwei Implementierungen vorliegen: tf.keras als interne Umsetzung für TensorFlow und eine externe, die sowohl mit TF als auch Theano als Backend arbeiten kann und für weitere ausgebaut wird. Darüber hinaus existieren derzeit zudem sowohl eine Scala-Implementierung als auch eine teilweise Umsetzung in JavaScript, was das Teilen von Code und das Reproduzieren von Forschungsergebnissen erleichtern könnte.

Anzeige

Damit Code, der für Keras 2 verfasst wurde, auch in den kommenden Jahren läuft, haben die Entwickler die Programmierschnittstelle gründlich überarbeitet und versprechen einen nicht näher erläuterten Langzeit-Support. Entwickler, die bereits mit Keras 1 gearbeitet haben, sollten das Upgrade trotzdem einigermaßen schnell durchziehen können, da Kompatibilitätsschnittstellen eingerichtet wurden, die dafür sorgen sollen, das auch der alte Code weiter läuft und Nutzer zudem mit Warnungen und Hinweisen beim Umstieg helfen. Geändert haben sich unter anderem die APIs der meisten Schichten, sowie die des Generator-Trainings und der Evaluationsmethoden und das Format der Gewichtungsdateien für Modelle. Außerdem hat das Team nb_epoch aus fit in epochs und das objectives-Modul in losses umbenannt. Weitere Details lassen sich der Ankündigung entnehmen. (jul)

Anzeige