Skalierung von Machine Learning mit Spark

Kapitel 8. TensorFlow Verteiltes Maschinelles Lernen Ansatz

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

TensorFlow (TF) ist eine Open-Source-Softwarebibliothek, die vom Google Brain-Team entwickelt wurde, um Deep Learning in der Industrie weiter voranzutreiben. Ihr Ziel war und ist es, die Lücke zwischen Forschung und Praxis zu schließen.

Als TF im Jahr 2015 veröffentlicht wurde, hat es die Datenwissenschaftler/innen umgehauen. Heute ist es eine der meistgenutzten Bibliotheken für Deep Learning. Um eine ganzheitliche Lösung zu bieten, die eine vollständige Produktionspipeline ermöglicht, hat das TF-Team 2019 TensorFlow Extended (TFX) der Öffentlichkeit zugänglich gemacht. Darüber hinaus hat Google seine eigenen Verarbeitungseinheiten, die Tensor Processing Units (TPUs), entwickelt, um mit TF entwickelte Machine Learning Workloads zu beschleunigen. Wenn dir das Akronym bekannt vorkommt, liegt das daran, dass es absichtlich ähnlich wie GPU ist, was für Graphics Processing Unit steht. TPUs bieten zwar einige fortschrittliche Funktionen, aber ihr Einsatz ist weitgehend an Google-Technologien gebunden. GPUs sind agnostischer und flexibler. Wenn du sie als Beschleuniger einsetzt, kannst du die Hardware deiner Anwendung plattformübergreifend planen.

TF bietet verschiedene verteilte Trainingsstrategien für GPUs, CPUs und TPUs. Mit TF kannst du deine Machine-Learning-Fähigkeiten über das hinaus erweitern, ...