Google متعهد به پیشبرد برابری نژادی برای جوامع سیاه است. ببینید چگونه.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

چرا TensorFlow

این که آیا شما یک متخصص یا مبتدی هستید ، TensorFlow یک بستر پایان کار است که ساخت و استقرار مدل های ML را برای شما آسان می کند.

ادامه را

یک اکوسیستم کامل برای کمک به شما در حل مشکلات چالش برانگیز و واقعی در زمینه یادگیری ماشین

ساختمان مدل آسان

TensorFlow سطوح مختلفی از انتزاع را ارائه می دهد تا بتوانید یکی از موارد مناسب را برای نیازهای خود انتخاب کنید. با استفاده از API سطح بالا Keras مدل هایی را ایجاد و آموزش دهید ، که 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 آورد. برای انجام کارهای آموزشی بزرگ ML ، از API Strategy Distribution برای آموزش توزیع شده در تنظیمات سخت افزاری مختلف بدون تغییر تعریف مدل استفاده کنید.

ادامه را

تولید ML قوی در هر نقطه

TensorFlow همواره مسیر مستقیم تولید را در پیش گرفته است. خواه در سرورها ، دستگاه های لبه و یا وب ، TensorFlow به شما امکان می دهد مدل خود را به راحتی آموزش دهید و مستقر کنید ، فارغ از اینکه از چه زبانی یا پلتفرمی استفاده می کنید.

اگر به خط لوله کامل تولید ML نیاز دارید ، از TensorFlow Extended (TFX) استفاده کنید. برای اجرای استنتاج در دستگاه های تلفن همراه و لبه ، از TensorFlow Lite استفاده کنید. با استفاده از TensorFlow.js مدل های موجود را در محیط های جاوا اسکریپت آموزش دهید.

ادامه را

آزمایش قدرتمند برای تحقیق

ساختن و آموزش مدلهای پیشرفته بدون قربانی کردن سرعت یا عملکرد. TensorFlow انعطاف پذیری و کنترل را با ویژگی هایی مانند API کاربردی Keras و API Model Subclassing برای ایجاد توپولوژیهای پیچیده به شما می دهد. برای نمونه سازی آسان و اشکال زدایی سریع ، از اجرای آسان استفاده کنید.

TensorFlow همچنین از اکوسیستم کتابخانه های الحاقی و مدلهای قدرتمند برای آزمایش با آنها ، پشتیبانی می کند ، از جمله Teners Ragged ، احتمال TensorFlow ، Tensor2Tensor و BERT.

ادامه را

برنامه آزمایشی شریک زندگی TensorFlow Trusted Partner ما را کاوش کنید

ما در حال خلبانی برنامه ای هستیم تا مشاغل را با یکپارچه سازان سیستم که در راه حل های یادگیری ماشین باتجربه هستند ، به شما کمک کند و می تواند به شما در نوآوری سریعتر ، حل هوشمندانه تر و مقیاس بزرگتر کمک کند.

با یک شریک قابل اعتماد TensorFlow ارتباط برقرار کنید

مجموعه اولیه شرکای قابل اعتماد ما را کشف کنید که می توانند با ML در تسریع اهداف تجاری شما کمک کنند.

بیاموزید که چگونه یادگیری ماشین کار می کند

آیا تا به حال می خواستید بدانید که یک شبکه عصبی چگونه کار می کند؟ یا اقدامات برای حل یک مشکل ML چیست؟ نگران نباشید ، ما شما را تحت پوشش قرار داده ایم. در زیر یک مرور اجمالی از اصول یادگیری ماشین آورده شده است. یا اگر به دنبال اطلاعاتی عمیق تر هستید ، برای مطالب مبتدی و پیشرفته به صفحه آموزش ما بروید.

معرفی به ML

یادگیری ماشین عملی برای کمک به نرم افزار برای انجام یک کار بدون برنامه نویسی صریح و یا قوانین است. با برنامه نویسی رایانه ای سنتی ، یک برنامه نویس قوانینی را تعیین می کند که رایانه باید از آنها استفاده کند. هرچند ML نیاز به طرز فکر دیگری دارد. ML در دنیای واقعی بیشتر از آنکه رمزگذاری کند ، روی تجزیه و تحلیل داده ها تمرکز دارد. برنامه نویسان مجموعه ای از نمونه ها را ارائه می دهند و کامپیوتر الگوهای را از داده ها می آموزد. شما می توانید یادگیری ماشین را به عنوان "برنامه نویسی با داده" فکر کنید.

مراحل برای حل یک مشکل ML

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

آناتومی شبکه عصبی

شبکه عصبی نوعی از الگویی است که می توان برای شناخت الگوها آموزش داد. این لایه ها از جمله لایه های ورودی و خروجی و حداقل یک لایه پنهان تشکیل شده است . نورونها در هر لایه نمایش داده های انتزاعی به طور فزاینده را یاد می گیرند. به عنوان مثال ، در این نمودار بصری نورونها را می بینیم که خطوط ، اشکال و بافتها را ردیابی می کنند. این بازنمودها (یا ویژگیهای آموخته شده) باعث طبقه بندی داده ها می شوند.

آموزش شبکه عصبی

شبکه های عصبی با نزول شیب آموزش می یابند. وزن هر لایه با مقادیر تصادفی شروع می شود و اینها به مرور تکرار می شوند تا شبکه دقیق تر شود. از یک تابع از دست دادن برای تعیین میزان عدم صحت 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 ، توکنرها و حل کننده های مشکل است. درب همیشه برای مشارکت ، همکاری و به اشتراک گذاری ایده های شما باز است.