Zwar lassen sich Deep-Learning-Algorithmen auf der Basis von Python oder R auch selbst erstellen, aber es ist deutlich produktiver hierfür eine bereits vorhandene Bibliothek einzusetzen. Inzwischen gibt es eine Vielzahl derartiger Bibliotheken, welche davon sich am ehesten anbietet, erklärt dieser Artikel.
Einige bekannte Deep-Learning-Bibliotheken
Hier eine Liste der bekanntesten Deep-Learning-Bibliotheken, die auch tatsächlich in der Praxis ihre Anwendung finden:
- Caffe (Wikipedia)
- Microsoft Cognitive Toolkit (CNTK) (Wikipedia)
- Deeplearning4j (Wikipedia)
- Keras (Wikipedia)
- MXNet (Wikipedia)
- TensorFlow (Wikipedia)
- Theano (Wikipedia)
- Torch basiert auf THNN, wird in Lua bedient (Wikipedia)
- PyTorch basiert auf THNN, wird in Python bedient (Wikipedia)
Und welche Bibliothek soll man nun nehmen?
Die Frage, welche Bibliothek sich am ehesten für die eigenen Deep-Learning-Anstrengungen anbietet, hängt natürlich von den individuellen Vorlieben ab. Dafür ist es am sinnvollsten, alle Bibliotheken auszuprobieren und dabei die Erfahrung aus erster Hand zu machen. Auf diese Weise lässt sich am ehesten feststellen, welche Bibliothek in der Handhabung den eigenen Vorlieben am meisten entgegenkommt.
Dennoch kann man fragen, welche der oben genannten Libraries denn nun die meiste Verwendung findet. Da es sich um frei verfügbare Bibliotheken handelt, lässt sich recht gut messen, welche Library die meiste Aktivität aufzeigt. Wie sich das gehört, gibt es auch dazu Daten, die sich abrufen lassen. Auf der Github-Seite thedataincubator gibt es eine Liste, die eine Rangfolge für Deep-Learning-Libraries auf Basis der Parameter Github- und Stack-Overflow-Aktivität sowie Google-Suchergebnisse erstellt.
Im Frühjahr 2018 führt TensorFlow die Liste souverän vor den Bibliotheken Keras und Caffe. Dabei ist der Abstand zwischen der Nummer Eins und den Nachfolgern erstaunlich groß. Somit bietet es sich an, die ersten eigenen Schritte mit TensorFlow zu machen, da für diese Bibliothek die meisten Ressourcen erhältlich sind und Anfängerfragen am ehesten beantwortet werden.
Eine kleine Bonus-Erwähnung gibt es für PyTorch, da Facebook gerade bei der eigenen Entwicklerkonferenz F8 die Version 1.0 der Bibliothek verkündet hat und somit signalisiert, dass diese für den produktiven Einsatz bereit ist. Das Video ist unter dem Titel „Introducing PyTorch 1.0: A New Research-Focused, Production-Ready, Deep Learning Framework“ verfügbar. Auch Microsoft hat die Unterstützung für PyTorch angekündigt, was der Bibliothek einen zusätzlichen Schwung bescheren dürfte.