Почему TensorFlow

Независимо от того, являетесь ли вы экспертом или новичком, TensorFlow — это комплексная платформа, которая упрощает создание и развертывание моделей машинного обучения.

Целая экосистема, которая поможет вам решать сложные реальные проблемы с помощью машинного обучения.

Простое построение модели

TensorFlow предлагает несколько уровней абстракции, поэтому вы можете выбрать тот, который соответствует вашим потребностям. Создавайте и обучайте модели с помощью высокоуровневого API Keras, который упрощает начало работы с TensorFlow и машинным обучением.

Если вам нужно больше гибкости, активное выполнение позволяет выполнять немедленную итерацию и интуитивно понятную отладку. Для больших задач обучения машинному обучению используйте API стратегии распределения для распределенного обучения на различных конфигурациях оборудования без изменения определения модели.

Надежное производство ML в любом месте

TensorFlow всегда обеспечивал прямой путь к производству. Будь то на серверах, периферийных устройствах или в Интернете, TensorFlow позволяет легко обучать и развертывать вашу модель, независимо от того, какой язык или платформу вы используете.

Используйте TensorFlow Extended (TFX), если вам нужен полноценный производственный конвейер машинного обучения. Для выполнения логических выводов на мобильных и пограничных устройствах используйте TensorFlow Lite. Обучайте и развертывайте модели в средах JavaScript с помощью TensorFlow.js.

Мощные эксперименты для исследований

Создавайте и обучайте современные модели, не жертвуя скоростью или производительностью. TensorFlow обеспечивает гибкость и контроль благодаря таким функциям, как функциональный API Keras и API подклассов моделей для создания сложных топологий. Для легкого прототипирования и быстрой отладки используйте активное выполнение.

TensorFlow также поддерживает экосистему мощных дополнительных библиотек и моделей для экспериментов, включая Ragged Tensors, TensorFlow Probability, Tensor2Tensor и BERT.

Узнайте, как компании используют TensorFlow

Airbnb
Кока-Кола
Глубокий разум
Дженерал Электрик Здравоохранение
Google
Интел
NERSC
Твиттер

Узнайте, как работает машинное обучение

Вы когда-нибудь хотели узнать, как работает нейронная сеть? Или каковы шаги для решения проблемы ML? Не волнуйтесь, мы вас прикроем. Ниже приведен краткий обзор основ машинного обучения. Или, если вам нужна более подробная информация, перейдите на нашу образовательную страницу для начинающих и продвинутых пользователей.

Введение в машинное обучение

Машинное обучение — это практика помощи программному обеспечению в выполнении задачи без явного программирования или правил. При традиционном программировании программист определяет правила, которые должен использовать компьютер. Однако ML требует другого мышления. ML в реальном мире гораздо больше фокусируется на анализе данных, чем на кодировании. Программисты предоставляют набор примеров, и компьютер изучает закономерности из данных. Вы можете думать о машинном обучении как о «программировании с данными».

Шаги к решению проблемы ML

Процесс получения ответов на основе данных с помощью ML состоит из нескольких этапов. Для пошагового обзора ознакомьтесь с этим руководством , в котором показан полный рабочий процесс классификации текста и описаны важные шаги, такие как сбор набора данных, обучение и оценка модели с помощью TensorFlow.

Анатомия нейронной сети

Нейронная сеть — это тип модели, которую можно научить распознавать закономерности. Он состоит из слоев, включая входной и выходной слои, а также как минимум один скрытый слой . Нейроны в каждом слое изучают все более абстрактные представления данных. Например, на этой визуальной диаграмме мы видим нейроны, обнаруживающие линии, формы и текстуры. Эти представления (или изученные признаки) позволяют классифицировать данные.

Обучение нейронной сети

Нейронные сети обучаются методом градиентного спуска. Веса в каждом слое начинаются со случайных значений, и они итеративно улучшаются с течением времени, чтобы сделать сеть более точной. Функция потерь используется для количественной оценки неточности сети, а процедура, называемая обратным распространением, используется для определения того, следует ли увеличивать или уменьшать каждый вес, чтобы уменьшить потери.

Наше сообщество

Сообщество TensorFlow — это активная группа разработчиков, исследователей, провидцев, мастеров и решателей проблем. Двери всегда открыты, чтобы внести свой вклад, сотрудничать и делиться своими идеями.