Google is committed to advancing racial equity for Black communities. See how.
ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

لماذا TensorFlow

سواء كنت خبيرًا أو مبتدئًا ، فإن TensorFlow عبارة عن نظام أساسي شامل يسهل عليك إنشاء ونشر نماذج ML.

متابعة

نظام بيئي كامل لمساعدتك في حل المشكلات الواقعية الصعبة من خلال التعلم الآلي

بناء نموذج سهل

يقدم TensorFlow مستويات متعددة من التجريد حتى تتمكن من اختيار المستوى المناسب لاحتياجاتك. قم ببناء وتدريب النماذج باستخدام واجهة برمجة تطبيقات Keras عالية المستوى ، مما يجعل بدء استخدام TensorFlow والتعلم الآلي أمرًا سهلاً.

إذا كنت بحاجة إلى مزيد من المرونة ، فإن التنفيذ الحثيث يسمح بالتكرار الفوري وتصحيح الأخطاء بسهولة. بالنسبة لمهام تدريب تعلم الآلة الكبيرة ، استخدم واجهة برمجة تطبيقات استراتيجية التوزيع للتدريب الموزع على تكوينات الأجهزة المختلفة دون تغيير تعريف النموذج.

متابعة

إنتاج ML قوي في أي مكان

يوفر TensorFlow دائمًا مسارًا مباشرًا للإنتاج. سواء كان ذلك على الخوادم أو الأجهزة المتطورة أو الويب ، يتيح لك TensorFlow تدريب نموذجك ونشره بسهولة ، بغض النظر عن اللغة أو النظام الأساسي الذي تستخدمه.

استخدم TensorFlow Extended (TFX) إذا كنت بحاجة إلى خط إنتاج ML كامل. لتشغيل الاستدلال على الأجهزة المحمولة والأجهزة الطرفية ، استخدم TensorFlow Lite. تدريب النماذج ونشرها في بيئات JavaScript باستخدام TensorFlow.js.

متابعة

تجربة قوية للبحث

قم ببناء وتدريب أحدث النماذج دون التضحية بالسرعة أو الأداء. يمنحك TensorFlow المرونة والتحكم باستخدام ميزات مثل Keras Functional API و Model Subclassing API لإنشاء طبولوجيا معقدة. للنماذج الأولية السهلة والتصحيح السريع للأخطاء ، استخدم التنفيذ النشط.

يدعم TensorFlow أيضًا نظامًا بيئيًا للمكتبات والنماذج الإضافية القوية للتجربة ، بما في ذلك Ragged Tensors و TensorFlow Probability و Tensor2Tensor و BERT.

متابعة

تعرف على كيفية عمل التعلم الآلي

هل أردت يومًا أن تعرف كيف تعمل الشبكة العصبية؟ أو ما هي خطوات حل مشكلة غسل الأموال؟ لا تقلق ، لقد قمنا بتغطيتك. فيما يلي نظرة عامة سريعة على أساسيات التعلم الآلي. أو ، إذا كنت تبحث عن معلومات أكثر تعمقًا ، فانتقل إلى صفحة التعليم الخاصة بنا للحصول على محتوى مبتدئ ومتقدم.

مقدمة عن ML

التعلم الآلي هو ممارسة لمساعدة البرامج على أداء مهمة ما بدون برمجة أو قواعد صريحة. مع برمجة الكمبيوتر التقليدية ، يحدد المبرمج القواعد التي يجب أن يستخدمها الكمبيوتر. يتطلب ML عقلية مختلفة. يركز تعلم الآلة في العالم الحقيقي على تحليل البيانات أكثر من الترميز. يقدم المبرمجون مجموعة من الأمثلة ويتعلم الكمبيوتر الأنماط من البيانات. يمكنك التفكير في التعلم الآلي على أنه "البرمجة باستخدام البيانات".

خطوات حل مشكلة ML

هناك خطوات متعددة في عملية الحصول على إجابات من البيانات باستخدام ML. للحصول على نظرة عامة خطوة بخطوة ، راجع هذا الدليل الذي يوضح سير العمل الكامل لتصنيف النص ، ويصف الخطوات المهمة مثل جمع مجموعة البيانات ، والتدريب على نموذج وتقييمه باستخدام TensorFlow.

تشريح الشبكة العصبية

الشبكة العصبية هي نوع من النماذج يمكن تدريبها على التعرف على الأنماط. يتكون من طبقات ، بما في ذلك طبقات الإدخال والإخراج ، وطبقة واحدة مخفية على الأقل. تتعلم الخلايا العصبية في كل طبقة تمثيلات مجردة بشكل متزايد للبيانات. على سبيل المثال ، في هذا الرسم البياني المرئي ، نرى الخلايا العصبية تكتشف الخطوط والأشكال والقوام. هذه التمثيلات (أو الميزات المكتسبة) تجعل من الممكن تصنيف البيانات.

تدريب شبكة عصبية

يتم تدريب الشبكات العصبية عن طريق النسب المتدرج. تبدأ الأوزان في كل طبقة بقيم عشوائية ، ويتم تحسينها بمرور الوقت لجعل الشبكة أكثر دقة. يتم استخدام وظيفة الخسارة لتحديد مدى عدم دقة الشبكة ، ويتم استخدام إجراء يسمى backpropagation لتحديد ما إذا كان يجب زيادة كل وزن أو تقليله لتقليل الخسارة.

مجتمعنا

مجتمع TensorFlow عبارة عن مجموعة نشطة من المطورين والباحثين وأصحاب الرؤى والمصلحين وحل المشكلات. الباب مفتوح دائمًا للمساهمة والتعاون ومشاركة أفكارك.