Google is committed to advancing racial equity for Black communities. See how.

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 امکان تکرار فوری و اشکال زدایی بصری را فراهم 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 و بدون توجه به اینکه از چه زبان یا بستری استفاده می کنید ، آموزش دهید و مستقر کنید.

اگر به خط لوله تولید کامل ML 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 جاوا اسکریپت آموزش و استقرار دهید.

ادامه

آزمایش قدرتمند برای تحقیق

بدون به خطر انداختن سرعت و عملکرد ، مدل های پیشرفته 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

شرکای خدمات هوش مصنوعی ما را کاوش کنید

TensorFlow AI Service Partners طیف وسیعی از راه حل های مشاوره ای و نرم افزاری را برای کمک به شما در زمینه نوآوری سریعتر ، حل هوشمندتر و مقیاس بزرگتر با TensorFlow ارائه می دهند.

با یک شریک سرویس TensorFlow AI ارتباط برقرار کنید

مجموعه ما از شرکای خدمات هوش مصنوعی را که دارای تجربه کمک به مشاغل در اجرای راه حل های مبتنی بر AI / ML و TensorFlow هستند ، کاوش کنید.

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 نیاز دارد. در دنیای واقعی ML بیش از کدگذاری بر تجزیه و تحلیل داده ها تمرکز دارد. برنامه نویسان مجموعه ای از مثالها را ارائه می دهند و رایانه الگوها را از داده ها می آموزد. شما می توانید یادگیری ماشین را "برنامه نویسی با داده" بدانید.

مراحل حل یک مشکل ML

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

آناتومی شبکه عصبی

شبکه عصبی نوعی از مدل است که می تواند برای شناخت الگوها آموزش ببیند. این است که از لایه ها، از جمله لایه های ورودی و خروجی تشکیل شده است، و حداقل یک پنهان لایه . 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 ، اشکال 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 در هر لایه با مقادیر تصادفی آغاز می شود و اینها با تکرار در طول زمان بهبود می یابند 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 ، چشم اندازها ، حلزونهای حل و حل مشکلات است. درها برای مشارکت ، همکاری و اشتراک ایده های شما همیشه باز هستند.