ระบบนิเวศทั้งหมดเพื่อช่วยคุณแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริงด้วยแมชชีนเลิร์นนิง
การสร้างแบบจำลองอย่างง่าย
TensorFlow นำเสนอสิ่งที่เป็นนามธรรมหลายระดับ คุณจึงเลือกสิ่งที่ใช่สำหรับความต้องการของคุณได้ สร้างและฝึกโมเดลโดยใช้ Keras API ระดับสูง ซึ่งทำให้การเริ่มต้นใช้งาน TensorFlow และการเรียนรู้ของเครื่องเป็นเรื่องง่าย
หากคุณต้องการความยืดหยุ่นมากกว่านี้ สำหรับงานการฝึกอบรม ML ขนาดใหญ่ ให้ใช้ Distribution Strategy API สำหรับการฝึกอบรมแบบกระจายในการกำหนดค่าฮาร์ดแวร์ต่างๆ โดยไม่ต้องเปลี่ยนข้อกำหนดของโมเดล
การผลิต ML ที่ทนทานได้ทุกที่
TensorFlow ให้เส้นทางตรงสู่การผลิตเสมอ ไม่ว่าจะเป็นบนเซิร์ฟเวอร์ อุปกรณ์ Edge หรือเว็บ TensorFlow ช่วยให้คุณฝึกอบรมและปรับใช้โมเดลของคุณได้อย่างง่ายดาย ไม่ว่าคุณจะใช้ภาษาหรือแพลตฟอร์มใดก็ตาม
ใช้ TFX หากคุณต้องการไปป์ไลน์ ML ที่ใช้งานจริงเต็มรูปแบบ สำหรับการอนุมานบนอุปกรณ์พกพาและอุปกรณ์ Edge ให้ใช้ TensorFlow Lite ฝึกและปรับใช้โมเดลในสภาพแวดล้อม JavaScript โดยใช้ TensorFlow.js
การทดลองที่มีประสิทธิภาพสำหรับการวิจัย
สร้างและฝึกโมเดลล้ำสมัยโดยไม่ลดทอนความเร็วหรือประสิทธิภาพ TensorFlow ให้ความยืดหยุ่นและการควบคุมแก่คุณด้วยคุณสมบัติต่างๆ เช่น Keras Functional API และ Model Subclassing API สำหรับการสร้างโทโพโลยีที่ซับซ้อน สำหรับการสร้างต้นแบบที่ง่ายและแก้ไขจุดบกพร่องอย่างรวดเร็ว ให้ใช้การดำเนินการอย่างกระตือรือร้น
TensorFlow ยังสนับสนุนระบบนิเวศของไลบรารีและโมเดลแอดออนอันทรงพลังที่จะทดลองด้วย ซึ่งรวมถึง Ragged Tensors, TensorFlow Probability, Tensor2Tensor และ BERT
ดูว่าบริษัทต่างๆ ใช้ TensorFlow อย่างไร
เรียนรู้วิธีการทำงานของแมชชีนเลิร์นนิง
คุณเคยต้องการที่จะรู้ว่าโครงข่ายประสาททำงานอย่างไร? หรือขั้นตอนในการแก้ปัญหา ML คืออะไร? ไม่ต้องกังวล เรามีคุณครอบคลุม ด้านล่างนี้คือภาพรวมคร่าวๆ เกี่ยวกับพื้นฐานของการเรียนรู้ของเครื่อง หรือหากคุณกำลังมองหาข้อมูลเชิงลึกมากขึ้น ให้ไปที่หน้าการศึกษาของเราสำหรับเนื้อหาระดับเริ่มต้นและขั้นสูง
ข้อมูลเบื้องต้นเกี่ยวกับML
แมชชีนเลิร์นนิงเป็นแนวทางปฏิบัติในการช่วยให้ซอฟต์แวร์ทำงานโดยไม่มีการตั้งโปรแกรมหรือกฎเกณฑ์ที่ชัดเจน ด้วยการเขียนโปรแกรมคอมพิวเตอร์แบบดั้งเดิม โปรแกรมเมอร์จะกำหนดกฎเกณฑ์ที่คอมพิวเตอร์ควรใช้ ML ต้องใช้ความคิดที่แตกต่างออกไป ML ในโลกแห่งความเป็นจริงมุ่งเน้นที่การวิเคราะห์ข้อมูลมากกว่าการเข้ารหัส โปรแกรมเมอร์จัดเตรียมชุดตัวอย่างและคอมพิวเตอร์จะเรียนรู้รูปแบบจากข้อมูล คุณสามารถนึกถึงแมชชีนเลิร์นนิงว่าเป็น "การเขียนโปรแกรมด้วยข้อมูล"
ขั้นตอนในการแก้ปัญหา ML
มีหลายขั้นตอนในการรับคำตอบจากข้อมูลโดยใช้ ML สำหรับภาพรวมทีละขั้นตอน โปรดดู คู่มือ นี้ซึ่งแสดงเวิร์กโฟลว์ทั้งหมดสำหรับการจัดประเภทข้อความ และอธิบายขั้นตอนที่สำคัญ เช่น การรวบรวมชุดข้อมูล การฝึกอบรมและการประเมินโมเดลด้วย TensorFlow
กายวิภาคของโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมเป็นรูปแบบหนึ่งที่สามารถฝึกให้จดจำรูปแบบได้ ประกอบด้วยเลเยอร์ รวมถึงเลเยอร์อินพุตและเอาต์พุต และเลเยอร์ที่ ซ่อนอยู่อย่างน้อยหนึ่งเลเยอร์ เซลล์ประสาทในแต่ละชั้นเรียนรู้การแสดงข้อมูลที่เป็นนามธรรมมากขึ้น ตัวอย่างเช่น ในแผนภาพนี้ เราจะเห็นเซลล์ประสาทตรวจจับเส้น รูปร่าง และพื้นผิว การแสดงแทนเหล่านี้ (หรือคุณลักษณะที่เรียนรู้) ทำให้สามารถจำแนกข้อมูลได้
อบรมโครงข่ายประสาท
โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยการไล่ระดับสี น้ำหนักในแต่ละเลเยอร์เริ่มต้นด้วยค่าแบบสุ่ม และค่าเหล่านี้จะได้รับการปรับปรุงซ้ำๆ เมื่อเวลาผ่านไปเพื่อทำให้เครือข่ายมีความแม่นยำมากขึ้น ฟังก์ชันการสูญเสียจะใช้เพื่อวัดว่าเครือข่ายมีความแม่นยำเพียงใด และใช้ขั้นตอนที่เรียกว่าการขยายพันธุ์ย้อนหลังเพื่อพิจารณาว่าควรเพิ่มหรือลดน้ำหนักแต่ละรายการเพื่อลดการสูญเสีย
ชุมชนของเรา
ชุมชน TensorFlow เป็นกลุ่มนักพัฒนา นักวิจัย นักวิสัยทัศน์ คนจรจัด และนักแก้ปัญหาที่กระตือรือร้น ประตูเปิดให้มีส่วนร่วม ทำงานร่วมกัน และแบ่งปันความคิดของคุณเสมอ