Deep Learning mit TensorFlow

DeepLearning

Erstellen Sie neuronale Netzwerke mit TensorFlow und Keras. Von grundlegenden Konzepten bis zu fortgeschrittenen CNN und RNN Architekturen für Computer Vision und Natural Language Processing.

🎯 Intermediate Level

25 min Lesezeit

💻 Hands-On

Mit TensorFlow Code

🔥 GPU-optimiert

Performance-Tipps

KI Services ansehen Deep Learning Beratung

⚡ Deep Learning Quick Tips

GPU verwenden

Training um 10x beschleunigen

Batch Normalization

Stabileres Training

Early Stopping

Overfitting vermeiden

TensorBoard

Training visualisieren

🧠 Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning, der von der Struktur und Funktion des menschlichen Gehirns inspiriert ist. Es verwendet künstliche neuronale Netzwerke mit mehreren Schichten (daher "deep"), um komplexe Muster in großen Datenmengen zu erkennen.

✅ Vorteile von Deep Learning

• Automatische Feature-Extraktion
- Excellent performance with large data sets
• Vielseitig einsetzbar (Bild, Text, Audio)
• State-of-the-art Ergebnisse
• Kontinuierliche Verbesserung

⚠️ Herausforderungen

- Requires large amounts of data
• Hoher Rechenaufwand (GPU erforderlich)
• "Black Box" - schwer interpretierbar
- Overfitting for small data records
• Hyperparameter-Tuning komplex

🎯 Hauptanwendungsbereiche

👁️

Computer Vision

Bilderkennung, Objekterkennung, medizinische Bildanalyse

💬

Natural Language Processing

Language translation, chatbots, text analysis

🎵

Audio Processing

Spracherkennung, Musikgenerierung, Audioanalyse

🔗 Arten von Neuronalen Netzwerken

🧠

Feedforward Neural Networks

Einsteiger

Basic neural networks for tabular data

MNIST Ziffernerkennung

Hauspreisvorhersage

Klassifikation

Regression

👁️

Convolutional Neural Networks (CNN)

Mittel

Especially for image processing and Computer Vision

Bilderkennung

Objekterkennung

Medizinische Bildanalyse

Gesichtserkennung

🔄

Recurrent Neural Networks (RNN)

Fortgeschritten

For sequential data such as text and time series

Language translation

Zeitserien-Vorhersage

Chatbots

Sentiment-Analyse

⚙️ TensorFlow & Keras Setup

TensorFlow ist Googles Open-Source-Framework für Machine Learning, und Keras ist die benutzerfreundliche High-Level-API, die in TensorFlow integriert ist.

💻 Installation

# CPU Version (für erste Experimente)
pip install tensorflow

# GPU Version (für ernsthafte Projekte)
pip install tensorflow-gpu

# Zusätzliche hilfreiche Pakete
pip install numpy pandas matplotlib seaborn
pip install scikit-learn jupyter notebook

# Jupyter Lab für bessere Entwicklungserfahrung
pip install jupyterlab

🚀 Erste Schritte Test

import tensorflow as tf
import keras
import numpy as np

# TensorFlow Version prüfen
print(f"TensorFlow Version: {tf.__version__}")
print(f"Keras Version: {keras.__version__}")

# GPU Verfügbarkeit prüfen
print(f"GPU available: {tf.config.list_physical_devices('GPU')}")

# Einfache Tensor-Operationen
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[2, 0], [0, 2]])
c = tf.matmul(a, b)
print(f"Matrix Multiplikation:\n{c.numpy()}")

💡 Entwicklungsumgebung Tipps

Google Colab: Free GPU/TPU usage for experiments
Jupyter Notebooks: Interaktive Entwicklung und Visualisierung
TensorBoard: Built-in visualization for training metrics
Keras Tuner: Automatische Hyperparameter-Optimierung

🎯 Erstes Deep Learning Modell

Wir erstellen ein einfaches neuronales Netzwerk für die Klassifikation von handgeschriebenen Ziffern (MNIST-Dataset). Perfekt für den Einstieg in Deep Learning.

🔢 MNIST Ziffernerkennung

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np
import matplotlib.pyplot as plt

# 1. Daten laden und vorbereiten
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Daten normalisieren (0-1 Bereich)
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# Shape prüfen
print(f"Training Data: {x_train.shape}")
print(f"Training Labels: {y_train.shape}")

# 2. Modell definieren
model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # 28x28 -> 784
    layers.Dense(128, activation='relu'),   # Hidden Layer 1
    layers.Dropout(0.2),                   # Regularisierung
    layers.Dense(64, activation='relu'),    # Hidden Layer 2
    layers.Dense(10, activation='softmax') # Output Layer
])

# 3. Modell kompilieren
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 4. Modell-Architektur anzeigen
model.summary()

# 5. Modell trainieren
history = model.fit(
    x_train, y_train,
    epochs=10,
    batch_size=32,
    validation_split=0.2,
    verbose=1
)

# 6. Modell evaluieren
test_loss, test_accuracy = model.evaluate(x_test, y_test, verbose=0)
print(f"Test Accuracy: {test_accuracy:.4f}")

# 7. Vorhersagen machen
predictions = model.predict(x_test[:5])
predicted_classes = np.argmax(predictions, axis=1)
print(f"Vorhergesagte Klassen: {predicted_classes}")
print(f"Echte Klassen: {y_test[:5]}")

📊 Training visualisieren

# Training-Verlauf plotten
plt.figure(figsize=(12, 4))

plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'])

plt.subplot(1, 2, 2)
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'])

plt.tight_layout()
plt.show()

💾 Modell speichern

# Komplettes Modell speichern
model.save('mnist_model.h5')

# Nur Gewichte speichern
model.save_weights('mnist_weights.h5')

# Modell laden
loaded_model = keras.models.load_model('mnist_model.h5')

# Architektur als JSON
model_json = model.to_json()
with open("model.json", "w") as json_file:
    json_file.write(model_json)

🛠️ TensorFlow Ecosystem

TensorFlow & Keras

High-level API for simple model development

Intuitive API

Eager Execution

Auto-Differentiation

Distributed Training

TensorBoard

Visualisierung und Monitoring von Training

Loss Curves

Model Graph

Histogram

Embeddings

TensorFlow Extended (TFX)

End-to-end ML Pipeline for Production

Data Validation

Model Serving

Monitoring

A/B Testing

TensorFlow Lite

Mobile und Edge Device Deployment

Quantization

Pruning

Hardware Optimization

Cross-Platform

👁️ CNN für Computer Vision

Convolutional Neural Networks (CNNs) sind speziell für die Verarbeitung von Bilddaten entwickelt und erzielen hervorragende Ergebnisse in der Computer Vision. Ideal fürComputer Vision Projekte.

🔍 Convolution Layer

Wendet Filter auf das Bild an, um Features wie Kanten, Texturen zu erkennen.

- Kernel/filter size
• Stride (Schrittweite)
• Padding (Randbehandlung)

📉 Pooling Layer

Reduziert die Größe und macht das Modell robuster gegen kleine Verschiebungen.

• Max Pooling
• Average Pooling
• Global Pooling

🎯 Fully Connected

Klassische Dense Layer für die finale Klassifikation nach Feature-Extraktion.

• Flatten Layer
• Dense Layer
• Dropout

📷 CIFAR-10 Bildklassifikation mit CNN

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 1. CIFAR-10 Daten laden
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()

# Daten normalisieren
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# Labels zu kategorisch
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 2. CNN Modell definieren
model = keras.Sequential([
    # Erste Convolution Block
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    layers.BatchNormalization(),
    layers.Conv2D(32, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    
    # Zweite Convolution Block
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.BatchNormalization(),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    
    # Dritte Convolution Block
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.25),
    
    # Klassifikation
    layers.Flatten(),
    layers.Dense(512, activation='relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

# 3. Kompilieren mit verbesserter Konfiguration
model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 4. Callbacks definieren
callbacks = [
    keras.callbacks.EarlyStopping(patience=10, restore_best_weights=True),
    keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=5),
    keras.callbacks.ModelCheckpoint('best_model.h5', save_best_only=True)
]

# 5. Training mit Data Augmentation
datagen = keras.preprocessing.image.ImageDataGenerator(
    rotation_range=15,
    width_shift_range=0.1,
    height_shift_range=0.1,
    horizontal_flip=True,
    zoom_range=0.1
)

datagen.fit(x_train)

# 6. Modell trainieren
history = model.fit(
    datagen.flow(x_train, y_train, batch_size=32),
    epochs=100,
    validation_data=(x_test, y_test),
    callbacks=callbacks,
    verbose=1
)

# 7. Evaluation
test_loss, test_accuracy = model.evaluate(x_test, y_test, verbose=0)
print(f"Test Accuracy: {test_accuracy:.4f}")

⚡ Deep Learning Best Practices

🎯 Training Optimierung

• Batch Normalization: Stabileres Training
• Dropout: Overfitting verhindern
• Early Stopping: Automatisches Stoppen
• Learning Rate Scheduling: Adaptive LR
• Data Augmentation: Mehr Trainingsdaten

🔧 Architektur Design

• Start Simple: Dann komplexer werden
• Residual Connections: Bei tiefen Netzen
• Transfer Learning: Vortrainierte Modelle
• Ensemble Methods: Mehrere Modelle kombinieren
- Model Compression: For Production

⚠️ Avoid common problems

Overfitting

Modell lernt Trainingsdaten auswendig, performt schlecht auf neuen Daten

→ Dropout, Early Stopping, Regularization

Vanishing Gradients

Gradienten werden zu klein in tiefen Netzwerken

→ Batch Norm, ReLU, Residual Connections

🚀 Nächste Schritte

🛠️ Praktische Tools

Framework:TensorFlow, PyTorch, Keras

GPU:Google Colab, AWS, Azure

Monitoring:TensorBoard, Weights & Biases

Deployment:TensorFlow Serving, Docker

💡 Empfohlene Lernpfad

1. Beginnen Sie mit MNIST und einfachen Dense Networks
2. Experimentieren Sie mit CNNs auf CIFAR-10
3. Probieren Sie Transfer Learning mit vortrainierten Modellen
4. Implementieren Sie RNNs für Textklassifikation
5. Deployen Sie Ihr erstes Modell in Production

🚀 Brauchen Sie Hilfe bei Deep Learning Projekten?

Unsere KI-Experten unterstützen Sie bei der Entwicklung und Implementierung von Deep Learning Lösungen.

KI Services entdecken Kostenlose Beratung

⚡ Deep Learning Quick Tips

GPU verwenden

Batch Normalization

Early Stopping

TensorBoard

🧠 Was ist Deep Learning?

✅ Vorteile von Deep Learning

⚠️ Herausforderungen

🎯 Hauptanwendungsbereiche

Computer Vision

Natural Language Processing

Audio Processing

🔗 Arten von Neuronalen Netzwerken

Feedforward Neural Networks

Convolutional Neural Networks (CNN)

Recurrent Neural Networks (RNN)

⚙️ TensorFlow & Keras Setup

💻 Installation

🚀 Erste Schritte Test

💡 Entwicklungsumgebung Tipps

🎯 Erstes Deep Learning Modell

🔢 MNIST Ziffernerkennung

📊 Training visualisieren

💾 Modell speichern

🛠️ TensorFlow Ecosystem

TensorFlow & Keras

TensorBoard

TensorFlow Extended (TFX)

TensorFlow Lite

👁️ CNN für Computer Vision

🔍 Convolution Layer

📉 Pooling Layer

🎯 Fully Connected

📷 CIFAR-10 Bildklassifikation mit CNN

⚡ Deep Learning Best Practices

🎯 Training Optimierung

🔧 Architektur Design

⚠️ Avoid common problems

Overfitting

Vanishing Gradients

🚀 Nächste Schritte

📚 Verwandte Artikel

Natural Language Processing

Computer Vision Projekte

Machine Learning Grundlagen

🛠️ Praktische Tools

💡 Empfohlene Lernpfad

🚀 Brauchen Sie Hilfe bei Deep Learning Projekten?