Mit PyTorch ML-Modelle trainieren und deployen
Erfahrungsschatz
Die Wahl eines Frameworks hängt vom Einsatzzweck ab. Für das Entwickeln und Deployen von ML-Modellen empfiehlt sich das Python-nahe PyTorch.
Seit 2019 taucht PyTorch in wissenschaftlichen Veröffentlichungen häufiger auf als TensorFlow. Grund für die wachsende Beliebtheit ist die einfache und Python-nahe Bedienbarkeit des Frameworks – Python-Entwickler fühlen sich mit den PyTorch-Konzepten und -APIs schnell zu Hause ix.de/z8qs. Die Funktionen von PyTorch als End-to-End Deep Learning Framework erstrecken sich vom spezifischen Domäneneinsatz (etwa Bildverarbeitung) bis hin zum Deployment von PyTorch-Modellen. Durch den imperativen Programmierstil gelingt es intuitiv, neuronale Netze zu programmieren und einzelne Berechnungsschritte zu debuggen. Darüber hinaus bietet PyTorch ein umfangreiches Ökosystem mit Tools und Bibliotheken wie Captum und skorch.
Der Artikel richtet sich an Entwickler, die mit PyTorch ihre ersten Schritte gehen wollen. Er beleuchtet Grundlagen und Konzepte und zeigt als praktisches Beispiel, wie man einen Obstklassifizierer mit Transfer Learning trainiert und mit TorchServe als REST-Schnittstelle deployt.