Watch keynotes, product sessions, workshops, and more from Google I/O See playlist

Neden TensorFlow

İster uzman ister yeni başlayan biri olun, TensorFlow, makine öğrenimi modelleri oluşturmanızı ve dağıtmanızı kolaylaştıran uçtan uca bir platformdur.

Devam Et

Makine öğrenimi ile zorlu, gerçek dünyadaki sorunları çözmenize yardımcı olacak eksiksiz bir ekosistem

Kolay model oluşturma

TensorFlow, ihtiyaçlarınız için doğru olanı seçebilmeniz için birden fazla soyutlama düzeyi sunar. TensorFlow ve makine öğrenimine başlamayı kolaylaştıran üst düzey Keras API'sini kullanarak modeller oluşturun ve eğitin.

Daha fazla esnekliğe ihtiyacınız varsa, istekli yürütme, anında yineleme ve sezgisel hata ayıklamaya olanak tanır. Büyük ML eğitim görevleri için, model tanımını değiştirmeden farklı donanım yapılandırmalarında dağıtılmış eğitim için Dağıtım Stratejisi API'sini kullanın.

Devam Et

Her yerde sağlam makine öğrenimi üretimi

TensorFlow, her zaman üretime doğrudan bir yol sağlamıştır. İster sunucularda, ister uç cihazlarda veya web üzerinde olsun, TensorFlow, hangi dili veya platformu kullanırsanız kullanın, modelinizi kolayca eğitmenize ve dağıtmanıza olanak tanır.

Tam bir üretim ML işlem hattına ihtiyacınız varsa TensorFlow Extended (TFX) kullanın. Çıkarımı mobil ve uç cihazlarda çalıştırmak için TensorFlow Lite'ı kullanın. Modelleri TensorFlow.js kullanarak JavaScript ortamlarında eğitin ve dağıtın.

Devam Et

Araştırma için güçlü deney

Hız veya performanstan ödün vermeden son teknoloji modeller oluşturun ve eğitin. TensorFlow, karmaşık topolojilerin oluşturulması için Keras Functional API ve Model Subclassing API gibi özelliklerle size esneklik ve kontrol sağlar. Kolay prototip oluşturma ve hızlı hata ayıklama için istekli yürütmeyi kullanın.

TensorFlow ayrıca Ragged Tensörler, TensorFlow Probability, Tensor2Tensor ve BERT dahil olmak üzere denenecek güçlü eklenti kitaplıkları ve modellerinden oluşan bir ekosistemi de destekler.

Devam Et

Yapay Zeka Hizmet Ortaklarımızı keşfedin

TensorFlow Yapay Zeka Hizmet Ortakları, TensorFlow ile daha hızlı yenilik yapmanıza, daha akıllı çözümler üretmenize ve daha büyük ölçeklendirme yapmanıza yardımcı olacak bir dizi danışmanlık ve yazılım çözümü sunar.

Bir TensorFlow AI Hizmet Ortağı ile bağlantı kurun

İşletmelerin AI/ML ve TensorFlow tabanlı çözümleri uygulamasına yardımcı olma deneyimine sahip AI Hizmet Ortakları koleksiyonumuzu keşfedin.

Şirketlerin TensorFlow'u nasıl kullandığını görün

Makine öğreniminin nasıl çalıştığını öğrenin

Bir sinir ağının nasıl çalıştığını hiç bilmek istediniz mi? Veya bir ML problemini çözme adımları nelerdir? Endişelenme, seni koruduk. Aşağıda, makine öğreniminin temellerine hızlı bir genel bakış yer almaktadır. Veya daha derinlemesine bilgi arıyorsanız, başlangıç ​​ve ileri düzey içerik için eğitim sayfamıza gidin.

ML'ye Giriş

Makine öğrenimi, yazılımın açık programlama veya kurallar olmadan bir görevi gerçekleştirmesine yardımcı olma uygulamasıdır. Geleneksel bilgisayar programlamada, bir programcı bilgisayarın kullanması gereken kuralları belirler. Ancak ML farklı bir zihniyet gerektirir. Gerçek dünya ML, kodlamadan çok veri analizine odaklanır. Programcılar bir dizi örnek sağlar ve bilgisayar verilerden kalıpları öğrenir. Makine öğrenimini “verilerle programlama” olarak düşünebilirsiniz.

Bir ML problemini çözme adımları

ML kullanarak verilerden yanıt alma sürecinde birden fazla adım vardır. Adım adım bir genel bakış için, metin sınıflandırma iş akışının tamamını gösteren ve veri kümesi toplama ve TensorFlow ile bir modeli eğitme ve değerlendirme gibi önemli adımları açıklayan bu kılavuza göz atın.

Bir sinir ağının anatomisi

Bir sinir ağı, kalıpları tanımak için eğitilebilen bir model türüdür. Giriş ve çıkış katmanlarını içeren katmanlardan ve en az bir gizli katmandan oluşur . Her katmandaki nöronlar, verilerin giderek daha soyut temsillerini öğrenir. Örneğin, bu görsel diyagramda çizgileri, şekilleri ve dokuları algılayan nöronları görüyoruz. Bu temsiller (veya öğrenilen özellikler) verileri sınıflandırmayı mümkün kılar.

Bir sinir ağı eğitimi

Sinir ağları, gradyan inişi ile eğitilir. Her katmandaki ağırlıklar rastgele değerlerle başlar ve bunlar, ağı daha doğru hale getirmek için zaman içinde tekrarlanarak iyileştirilir. Ağın ne kadar hatalı olduğunu ölçmek için bir kayıp işlevi kullanılır ve kaybı azaltmak için her bir ağırlığın artırılması mı yoksa azaltılması mı gerektiğini belirlemek için geri yayılım adı verilen bir prosedür kullanılır.

Bizim topluluğumuz

TensorFlow topluluğu, geliştiriciler, araştırmacılar, vizyonerler, tamirciler ve problem çözücülerden oluşan aktif bir gruptur. Katkıda bulunmak, işbirliği yapmak ve fikirlerinizi paylaşmak için kapı her zaman açıktır.