با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

چرا تنسورفلو

چه یک متخصص یا مبتدی باشید، TensorFlow یک پلتفرم سرتاسری است که ساخت و استقرار مدل‌های ML را برای شما آسان می‌کند.

یک اکوسیستم کامل برای کمک به حل مشکلات چالش برانگیز دنیای واقعی با یادگیری ماشین

ساخت مدل آسان

TensorFlow چندین سطح از انتزاع را ارائه می دهد تا بتوانید متناسب با نیاز خود یکی را انتخاب کنید. با استفاده از Keras API سطح بالا، مدل‌هایی بسازید و آموزش دهید، که شروع کار با TensorFlow و یادگیری ماشین را آسان می‌کند.

اگر به انعطاف پذیری بیشتری نیاز دارید، اجرای مشتاقانه امکان تکرار فوری و اشکال زدایی بصری را فراهم می کند. برای کارهای بزرگ آموزش ML، از Distribution Strategy API برای آموزش توزیع شده روی پیکربندی های سخت افزاری مختلف بدون تغییر تعریف مدل استفاده کنید.

تولید قوی ML در هر کجا

TensorFlow همیشه یک مسیر مستقیم برای تولید فراهم کرده است. خواه روی سرورها، دستگاه‌های لبه یا وب باشد، TensorFlow به شما امکان می‌دهد بدون توجه به زبان یا پلتفرمی که استفاده می‌کنید، مدل خود را به راحتی آموزش داده و به کار بگیرید.

اگر به خط لوله ML تولید کامل نیاز دارید از TensorFlow Extended (TFX) استفاده کنید. برای اجرای استنتاج بر روی دستگاه های تلفن همراه و لبه، از TensorFlow Lite استفاده کنید. آموزش و استقرار مدل ها در محیط های جاوا اسکریپت با استفاده از TensorFlow.js.

آزمایش قدرتمند برای تحقیق

مدل های پیشرفته را بدون کاهش سرعت و عملکرد بسازید و آموزش دهید. TensorFlow با ویژگی هایی مانند Keras Functional API و Model Subclassing API برای ایجاد توپولوژی های پیچیده به شما انعطاف و کنترل می دهد. برای نمونه سازی آسان و اشکال زدایی سریع، از اجرای مشتاقانه استفاده کنید.

TensorFlow همچنین از اکوسیستمی از کتابخانه ها و مدل های افزودنی قدرتمند برای آزمایش پشتیبانی می کند، از جمله Ragged Tensor، TensorFlow Probability، Tensor2Tensor و BERT.

ببینید شرکت‌ها چگونه از TensorFlow استفاده می‌کنند

Airbnb
کوکاکولا
Deepmind
GE Healthcare
گوگل
اینتل
NERSC
توییتر

یاد بگیرید که یادگیری ماشین چگونه کار می کند

آیا تا به حال می خواهید بدانید که یک شبکه عصبی چگونه کار می کند؟ یا مراحل حل مشکل ML چیست؟ نگران نباشید، ما شما را تحت پوشش قرار داده ایم. در زیر مروری سریع بر اصول یادگیری ماشینی است. یا اگر به دنبال اطلاعات عمیق تری هستید، برای مطالب مبتدی و پیشرفته به صفحه آموزش ما سر بزنید.

مقدمه ای بر ML

یادگیری ماشینی تمرین کمک به نرم افزار برای انجام یک کار بدون برنامه نویسی یا قوانین صریح است. با برنامه نویسی سنتی کامپیوتر، یک برنامه نویس قوانینی را مشخص می کند که کامپیوتر باید از آنها استفاده کند. با این حال، ML به یک طرز فکر متفاوت نیاز دارد. دنیای واقعی ML بسیار بیشتر بر تجزیه و تحلیل داده ها تمرکز می کند تا کدنویسی. برنامه نویسان مجموعه ای از مثال ها را ارائه می دهند و کامپیوتر الگوها را از داده ها یاد می گیرد. شما می توانید یادگیری ماشین را به عنوان "برنامه نویسی با داده" در نظر بگیرید.

مراحل حل مشکل ML

مراحل متعددی در فرآیند دریافت پاسخ از داده ها با استفاده از ML وجود دارد. برای یک نمای کلی گام به گام، این راهنما را بررسی کنید که گردش کار کامل را برای طبقه بندی متن نشان می دهد و مراحل مهمی مانند جمع آوری مجموعه داده و آموزش و ارزیابی یک مدل با TensorFlow را شرح می دهد.

آناتومی یک شبکه عصبی

شبکه عصبی نوعی مدل است که می تواند برای تشخیص الگوها آموزش ببیند. این لایه از لایه ها شامل لایه های ورودی و خروجی و حداقل یک لایه پنهان تشکیل شده است. نورون ها در هر لایه بازنمایی های انتزاعی فزاینده ای از داده ها را می آموزند. به عنوان مثال، در این نمودار بصری، نورون هایی را می بینیم که خطوط، اشکال و بافت ها را تشخیص می دهند. این نمایش ها (یا ویژگی های آموخته شده) طبقه بندی داده ها را ممکن می کند.

آموزش شبکه عصبی

شبکه های عصبی با نزول گرادیان آموزش داده می شوند. وزن‌ها در هر لایه با مقادیر تصادفی شروع می‌شوند و این مقادیر در طول زمان به طور مکرر بهبود می‌یابند تا شبکه دقیق‌تر شود. از یک تابع اتلاف برای تعیین کمیت نادرست بودن شبکه استفاده می شود و از روشی به نام پس انتشار برای تعیین اینکه آیا هر وزن باید برای کاهش تلفات افزایش یا کاهش یابد استفاده می شود.

جامعه ی ما

انجمن TensorFlow یک گروه فعال از توسعه دهندگان، محققین، رویاپردازان، قلع و قمع کنندگان و حل کننده های مشکل است. درب برای مشارکت، همکاری و به اشتراک گذاشتن ایده های شما همیشه باز است.