Google is committed to advancing racial equity for Black communities. See how.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

چرا TensorFlow

چه متخصص و چه مبتدی ، TensorFlow یک پلتفرم پایان به پایان است که ساخت و استقرار مدل های ML را برای شما آسان می کند.

ادامه

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

ساخت مدل آسان

TensorFlow سطوح مختلفی از انتزاع را ارائه می دهد ، بنابراین می توانید یکی از موارد مناسب را برای نیازهای خود انتخاب کنید. با استفاده از API سطح بالای Keras ، مدل هایی را بسازید و آموزش دهید ، که شروع کار با TensorFlow و یادگیری ماشین را آسان می کند.

اگر به انعطاف پذیری بیشتری نیاز دارید ، اجرای مشتاق تکرار فوری و اشکال زدایی بصری را امکان پذیر می کند. برای کارهای بزرگ آموزشی ML ، بدون تغییر در تعریف مدل ، از برنامه کاربردی Distribution Strategy API برای آموزش توزیع شده در تنظیمات مختلف سخت افزار استفاده کنید.

ادامه

تولید قوی ML در هر مکان

TensorFlow همیشه مسیر مستقیم تولید را فراهم کرده است. TensorFlow چه در سرورها ، چه در دستگاه های لبه ای و چه در وب باشد ، به شما امکان می دهد مدل خود را به راحتی آموزش دهید و مستقر کنید ، فارغ از اینکه از چه زبان یا بستری استفاده می کنید.

اگر به خط لوله تولید ML کامل نیاز دارید ، از TensorFlow Extended (TFX) استفاده کنید. برای اجرای استنباط در دستگاه های همراه و لبه ، از TensorFlow Lite استفاده کنید. با استفاده از TensorFlow.js ، مدل ها را در محیط های JavaScript آموزش و استقرار دهید.

ادامه

آزمایش قدرتمند برای تحقیق

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

TensorFlow همچنین از یک اکوسیستم از کتابخانه ها و مدل های الحاقی قدرتمند برای آزمایش استفاده می کند ، از جمله Ragged Tensors، TensorFlow احتمال، Tensor2Tensor و BERT.

ادامه

یاد بگیرید چگونه یادگیری ماشین کار می کند

آیا هرگز می خواستید بدانید که یک شبکه عصبی چگونه کار می کند؟ یا مراحل حل یک مشکل ML چیست؟ نگران نباشید ، ما شما را تحت پوشش قرار داده ایم. در زیر خلاصه ای از اصول یادگیری ماشین آورده شده است. یا اگر به دنبال اطلاعات دقیق تری هستید ، به صفحه آموزش ما برای محتوای مبتدی و پیشرفته بروید.

معرفی ML

یادگیری ماشینی عملی است که به نرم افزار کمک می کند بدون برنامه نویسی یا قوانین صریح ، وظیفه ای را انجام دهد. با برنامه نویسی رایانه ای سنتی ، یک برنامه نویس قوانینی را تعیین می کند که رایانه باید از آنها استفاده کند. گرچه ML به طرز تفکر دیگری احتیاج دارد. دنیای واقعی ML بیش از کدگذاری بر تجزیه و تحلیل داده ها تمرکز دارد. برنامه نویسان مجموعه ای از نمونه ها را ارائه می دهند و کامپیوتر الگوها را از داده ها می آموزد. شما می توانید یادگیری ماشین را "برنامه نویسی با داده" بدانید.

مراحل حل یک مسئله ML

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

آناتومی شبکه عصبی

شبکه عصبی نوعی از مدل است که می توان برای شناخت الگوها آموزش داد. این لایه از لایه ها شامل لایه های ورودی و خروجی و حداقل یک لایه مخفی تشکیل شده است . سلول های عصبی در هر لایه به طور فزاینده ای نمایش داده های انتزاعی را می آموزند. به عنوان مثال ، در این نمودار تصویری ، سلول های عصبی را می بینیم که خطوط ، شکل ها و بافت ها را تشخیص می دهند. این نمایش ها (یا ویژگی های آموخته شده) طبقه بندی داده ها را امکان پذیر می کند.

آموزش شبکه عصبی

شبکه های عصبی با شیب نزولی آموزش می بینند. وزن ها در هر لایه با مقادیر تصادفی آغاز می شوند و اینها به مرور تکرار می شوند تا شبکه دقیق تر شوند. از تابع ضرر برای تعیین کمی نادرست بودن شبکه استفاده می شود و روشی به نام backpropagation برای تعیین اینکه آیا هر وزن باید افزایش یابد یا کاهش یابد ، برای کاهش تلفات استفاده می شود.

جامعه ی ما

انجمن TensorFlow یک گروه فعال از توسعه دهندگان ، محققان ، بینندگان ، طراحان حلقه و حل مشکلات است. درها برای مشارکت ، همکاری و اشتراک ایده های شما همیشه باز هستند.