Logo von Developer

Suche
Abonnieren

Tägliche Top-News bei WhatsApp, Facebook Messenger, Telegram & Insta

preisvergleich_weiss

Recherche in 1.876.447 Produkten

Rainald Menge-Sonnentag

Machine Learning: Google bringt einen TensorFlow-Konverter für Core ML

Machine Learning: Google bringt einen TensorFlow-Konverter für Core ML

In Zusammenarbeit mit Apple hat Google ein Tool veröffentlicht, mit dem sich TensorFlow-Modelle auf Apples Machine-Learning-Framework übertragen lassen.

Google hatte Mitte November mit TensorFlow Lite eine schlanke Variante des Open-Source-Frameworks für Machine Learning (ML) veröffentlicht, die speziell auf den Einsatz auf mobilen Endgeräten und Embedded Devices zugeschnitten ist. Nun reichen die Macher ein Anbindung von TensorFlow an Core ML nach, Apples Machine-Learning-Framework, das für die Plattformen iOS 11, mac OS 10.13, tv OS 11 und watchOS 4 verfügbar ist.

Core ML dient als Grundlage für spezifische ML-Anwendung auf Apples Plattformen. Darauf setzen spezifische Frameworks für bestimmte Anwendungsbereiche auf wie Vision zur Bildanalyse. Die nun angekündigte Integration von Core ML ist nicht vergleichbar mit der Verbindung zwischen TensorFlow Lite und der Neural Network API (NNAPI) in Android 8.1, einer C-API, die Berechnungen von ML-Frameworks optimiert und die GPU für Berechnungen nutzt.

Plattformunabhängigkeit versus Optimierung

Core ML kommt nicht zur Optimierung von TensorFlow-Lite-Modellen zum Einsatz, sondern Entwickler erhalten ein Tool, mit dem sie reguläre TensorFlow-Modelle (nicht Lite) in das Core-ML-Format .mlmodel umwandeln können. Der Preis für die Optimierung auf Apples Plattformen durch Core ML ist, dass die Modelle sich nicht mehr plattformübergreifend verwenden lassen. Da TensorFlow Lite sowohl auf Android als auch auf iOS funktioniert, empfiehlt sich für Cross-Platform-Anwendungen stattdessen das TensorFlow-Lite-Format .tflite.

Weitere Details lassen sich dem Entwicklerblog bei Google entnehmen. Der Konverter ist als Python-Paket für Pypi Pip verfügbar. Das zugehörige GitHub-Repository bietet eine genauere Beschreibung des Tools inklusive der zum aktuellen Stand verwendbaren TensorFlow-Operationen. (rme)

Kommentieren

Themen:

Anzeige
Anzeige