Definition

Was ist Keras?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Keras ermöglicht die schnelle Implementierung neuronaler Netzwerke für Anwendungen des Deep Learnings. Es handelt sich um eine Open-Source-Bibliothek, die in Python geschrieben ist und zusammen mit Frameworks wie TensorFlow oder Theano verwendet werden kann.

Die Open-Source-Bibliothek Keras wurde größtenteils vom Google-Programmierer François Chollet im Rahmen des ONEIROS-Projekts (Open-ended Neuro-Electronic Intelligent Robot Operating System) entwickelt. Es handelt sich um eine Open-Source-basierte Bibliothek, die für die schnelle Implementierung neuronaler Netze vorgesehen ist und nicht als Deep-Learning-Framework, sondern eher als Interface für diese Frameworks zu verstehen ist. Keras ist in Python geschrieben und auf Machine-Learning-Frameworks wie TensorFlow, Theano, MXNet oder dem Microsoft Cognitive Toolkit einsetzbar.

Die Bibliothek stellt ein High-Level-API zur Verfügung, das die Programmierung von neuronalen Netzen stark vereinfacht. Der Fokus von Keras liegt auf einer schnellen Bereitstellung von neuronalen Netzen für experimentelle Zwecke. Unterstützt werden sowohl rekurrente als auch convolutionale Netzwerke sowie CPUs (Central Processing Units) und GPUs (Graphics Processing Units). Zentrale Merkmale der Open-Source-Bibliothek sind die Erweiterbarkeit, Modularität und Einfachheit.

Neuronale Netze lassen sich mit den von Keras bereitgestellten abstrakten Lösungen erstellen und konfigurieren, ohne sich im Detail mit den darunter liegenden Backends beschäftigen zu müssen. TensorFlow unterstützt Keras mittlerweile direkt innerhalb seiner Kernbibliothek. Der Name Keras geht auf den griechischen Begriff für Horn zurück und ist eine Referenz einer literarischen Darstellung aus Homers Odyssee.

Die wichtigsten Vorteile durch den Einsatz von Keras

Der Einsatz der Bibliothek Keras zusammen mit den Machine-Learning-Frameworks bietet folgende Vorteile:

  • Schnelles und einfaches Prototyping von neuronalen Netzen,
  • Bedienerfreundlichkeit, Modularität und Erweiterbarkeit,
  • Unterstützung von rekurrenten und convolutionalen Netzwerken sowie von Kombinationen beider Netze,
  • Unterstützung von CPUs und GPUs sowie eine
  • Unterstützung des Multi-Input- und Multi-Output-Trainings

Wichtige Prinzipien in der Entwicklung von Keras

Ein wichtiges Prinzip in der Entwicklung von Keras ist die Ausrichtung der Bibliothek auf Menschen und nicht auf Maschinen. Bedienerfreundlichkeit stehen daher im Fokus. Keras stellt konsistente und einfach zu verwendende APIs bereit. Die Bibliothek minimiert den Aufwand für die gängigen Anwendungsszenarien. User erhalten bei Fehlern in der Nutzung der Bibliothek ein aussagekräftiges Feedback und können Probleme leicht beheben.

Zentrales Designprinzip von Keras ist die Modularität. Verschiedene voll konfigurierbare Module sind fast beliebig kombinierbar. Mithilfe der Kombination einzelner Module für neuronale Layer, Kostenfunktionen, Aktivierungsfunktionen oder Initialisierungsschemata lassen sich schnell neue Modelle schaffen. Neue Module können einfach als neue Klassen oder Funktionen hinzugefügt werden. Die Modelle sind in nativem Python-Code beschrieben, der leicht zu debuggen und kompakt ist.

Funktionen und Erweiterungen von Keras 2

Nach der Veröffentlichung des ersten Releases von Keras im Jahr 2015 liegt die Bibliothek mittlerweile (Stand 2018) in der zweiten Hauptversion vor. Gegenüber der ersten Version ist die API einfacher zu nutzen und folgt den Konventionen von TensorFlow. Die API ist inzwischen als integrierter Teil der Machine-Learning-Bibliothek innerhalb des Frameworks TensorFlow verfügbar. Grundsätzlich liegt Keras in zwei Implementierungen vor: als externe, leicht erweiterbare Bibliothek für Frameworks wie Theano oder TensorFlow und als interne Umsetzung direkt in der Bibliothek von TensorFlow.

Unterstützung verschiedener Plattformen durch Keras

Als eine besondere Stärke von Keras lassen sich die definierten Modelle auf einer Vielzahl verschiedener Plattformen bereitstellen. Mobile Geräte von Apple, die das Betriebssystem iOS verwenden, werden über Apples CoreML unterstützt. Für Android-Geräte existiert die TensorFlow-Android-Runtime-Umgebung. Sollen Modelle browserbasiert bereitgestellt werden, sind JavaScript-basierte Laufzeitumgebungen wie Keras.js und WebDNN verfügbar. Weitere mit Keras nutzbare Plattformen sind:

  • Die Google Cloud mit TensorFlow-Serving,
  • Java Virtual Machine (JVM) mit dem DL4J Modelimport von SkyMind und
  • der Raspberry Pi

Einsatz und Verwendung von Keras

Ende 2017 hatte Keras bereits über 200.000 individuelle Nutzer. Die Bibliothek kommt sowohl für Forschungsprojekte als auch im industriellen Umfeld für professionelle Anwendungen zum Einsatz. Neben TensorFlow selbst zählt Keras zu den am häufigsten für Deep-Learning-Anwendungen eingesetzten Bibliotheken. Keras-Funktionen sind beispielsweise bei Anwendungen der Unternehmen Uber, Netflix, Yelp oder Instacart zu finden. Vor allem junge Start-up-Unternehmen, die Deep Learning als zentrale Komponente ihrer Produkte sehen, setzen auf Keras. Große wissenschaftliche Organisationen wie die NASA oder CERN verwenden in verschiedensten Projekten ebenfalls die beliebte Deep-Learning-Bibliothek.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Künstliche Intelligenz im Eigenbau

Übersicht KI- und ML-Stacks, Teil 2

Künstliche Intelligenz im Eigenbau

Eine kaum noch überschaubare Vielzahl an KI/ML-Frameworks, -Bibliotheken und -Diensten buhlt um die Gunst innovativer Unternehmen. So wird Big Data zur Goldgrube. lesen

Der leistungsfähigste KI-Prozessor und ein passendes KI-Computing-Framework

Huawei-Chef Eric Xu: „Und heute haben wir geliefert.“

Der leistungsfähigste KI-Prozessor und ein passendes KI-Computing-Framework

Am vergangenen Freitag hat Huawei mit „Ascend 910“ den bisher leistungsfähigsten KI-Prozessor vorgestellt. Es ist bestimmt für das Training von Anwendungen Künstlicher Intelligenz. Außerdem hat der Konzern „Mindspore“ präsentiert, ein Framework, das es insbesondere Wissenschaftler erleichtern soll, KI-Anwendungen zu entwickeln – für alle KI-Hardware. Die Software soll 2020 Open Source werden. lesen

Was ist neu an TensorFlow 2.0?

Machine Learning

Was ist neu an TensorFlow 2.0?

Googles TensorFlow 2.0, eines der weltweit beliebtesten Open Source Frameworks für maschinelles Lernen, wurde unter anderem mit einer neuen Architektur, einfacherem Model Building mit Keras, vereinfachten API und neuer TF-Lite-1.0-Version umfassend aktualisiert. lesen

Das kann Azure Databricks

Spark as a Service

Das kann Azure Databricks

Microsoft stellt mit Azure Databricks eine Analyseplattform in Microsoft Azure zur Verfügung, die auf der bekannten Analysesoftware Apache Spark aufbaut. Bei der Entwicklung der Plattform haben die Entwickler von Spark mitgearbeitet. lesen

Deep Learning mit Python und Keras

Rezension

Deep Learning mit Python und Keras

Deep Learning ist in aller Munde. Doch wie es wirklich funktioniert, das wissen nur wenige genau. Eine Einführung in das Thema versucht jetzt damit aufzuräumen und gleichzeitig erste Ansätze für eine praktische Umsetzung der Konzepte mit der Keras-Bibliothek zu liefern. lesen

Python-Bibliothek soll KI-Entwicklung vereinfachen

FastAi

Python-Bibliothek soll KI-Entwicklung vereinfachen

Das Start-up FastAi hat eine speziell auf Deep Learning abzielende Python-Bibliothek angekündigt. Die unter Open-Source-Lizenz veröffentlichte Library soll Entwicklern die Aufgabe erleichtern, funktionale Künstliche Intelligenz zu entwickeln. lesen

Mathworks erweitert Deep-Learning-Funktionen im neuen Release

Matlab und Simulink 2018b

Mathworks erweitert Deep-Learning-Funktionen im neuen Release

Mathworks hat das Release 2018b von Matlab und Simulink vorgestellt, das Deep Learning in den Fokus der Neuheiten stellt. So löst beispielsweise die Deep Learning Toolbox die vorherige Neural Network Toolbox ab, um Netzarchitekturen einfacher zu entwerfen. lesen

IBM integriert mit offenen Plattformen

AI OpenScale, Security Connect, Multicloud Manager

IBM integriert mit offenen Plattformen

Mit drei offenen Plattformen positioniert sich IBM als anbieterübergreifender Integrator für künstliche Intelligenz, Security und Multicloud. lesen

Hard-und Software-Bundle für Hadoop und Deep Learning

Dell EMC Ready Solutions für KI

Hard-und Software-Bundle für Hadoop und Deep Learning

Mithilfe der „Dell EMC Ready Solutions für KI“ sollen Unternehmen ihre KI-Umgebungen nicht mehr in einzelnen Komponenten beschaffen und zusammenfügen müssen. Stattdessen könnten sie sich auf ein von Dell EMC entwickeltes und validiertes Paket von Best-of-Breed-Software verlassen – einschließlich KI-Frameworks und -Bibliotheken sowie den benötigten Rechen-, Netzwerk- und Speicherkapazitäten. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45365055 / Definitionen)