Google is committed to advancing racial equity for Black communities. See how.
דף זה תורגם על ידי Cloud Translation API.
Switch to English

למה TensorFlow

בין אם אתה מומחה או מתחיל, TensorFlow היא פלטפורמה מקצה לקצה שמקלה עליך לבנות ולפרוס דגמי ML.

המשך

מערכת אקולוגית שלמה שתעזור לכם לפתור בעיות מאתגרות ומציאותיות עם למידת מכונה

בניית מודלים קלה

TensorFlow מציע מספר רמות של הפשטה, כך שתוכל לבחור את המתאימה לצרכים שלך. בנה ואמן מודלים באמצעות ממשק ה- API של Keras ברמה גבוהה, מה שמקל על תחילת העבודה עם TensorFlow ולמידת מכונה.

אם אתה זקוק לגמישות רבה יותר, ביצוע להוט מאפשר איטרציה מיידית וניפוי באגים אינטואיטיבי. למשימות אימון גדולות של ML, השתמש ב- Distribution API API לצורך אימונים מבוזרים בתצורות חומרה שונות מבלי לשנות את הגדרת המודל.

המשך

הפקת ML חזקה בכל מקום

TensorFlow תמיד סיפק דרך ישירה לייצור. בין אם זה בשרתים, מכשירי קצה או באינטרנט, TensorFlow מאפשר לך לאמן ולפרוס את המודל שלך בקלות, לא משנה באיזו שפה או פלטפורמה אתה משתמש.

השתמש ב- TensorFlow Extended (TFX) אם אתה זקוק לצינור מלא של ייצור ML. להפעלת מסקנות במכשירים ניידים וקצהיים, השתמש ב- TensorFlow Lite. אימן ופרס מודלים בסביבות JavaScript באמצעות TensorFlow.js.

המשך

ניסויים עוצמתיים למחקר

בנה ואמן מודלים חדישים מבלי לוותר על מהירות או ביצועים. TensorFlow מעניק לך את הגמישות והשליטה בעזרת תכונות כמו ממשק ה- API הפונקציונלי של Keras ו- Model Subclassing API ליצירת טופולוגיות מורכבות. לצורך ביצוע אב טיפוס קל וניקוי באגים מהיר, השתמש בביצוע להוט.

TensorFlow תומך גם במערכת אקולוגית של ספריות תוספות חזקות ומודלים להתנסות בהן, כולל Rensed Tensors, TensorFlow Probability, Tensor2Tensor ו- BERT.

המשך

למדו כיצד פועלת למידת מכונה

האם אי פעם רצית לדעת כיצד עובדת רשת עצבית? או מה השלבים לפתרון בעיית ML? אל תדאג, יש לנו כיסוי. להלן סקירה מהירה של יסודות למידת מכונה. לחלופין, אם אתם מחפשים מידע מעמיק יותר, היכנסו לדף החינוך שלנו לתכנים מתחילים ומתקדמים.

מבוא ל- ML

לימוד מכונה הוא הנוהג לעזור לתוכנה לבצע משימה ללא תכנות או כללים מפורשים. בתכנות מחשבים מסורתיות, מתכנת מציין כללים שעל המחשב להשתמש בהם. ML דורש חשיבה אחרת. העולם האמיתי ML מתמקד הרבה יותר בניתוח נתונים מאשר בקידוד. מתכנתים מספקים סט דוגמאות והמחשב לומד דפוסים מהנתונים. אתה יכול לחשוב על למידת מכונה כ"תכנות עם נתונים ".

צעדים לפתרון בעיית ML

ישנם מספר שלבים בתהליך קבלת תשובות מנתונים באמצעות ML. לקבלת סקירה שלב אחר שלב, עיין במדריך זה המציג את זרימת העבודה המלאה לסיווג טקסט, ומתאר שלבים חשובים כמו איסוף מערך נתונים, והדרכה והערכת מודל באמצעות TensorFlow.

אנטומיה של רשת עצבית

רשת עצבית היא סוג של מודל שניתן להכשיר לזהות דפוסים. הוא מורכב משכבות, כולל שכבות קלט ופלט, ולפחות שכבה נסתרת אחת. נוירונים בכל שכבה לומדים ייצוגים מופשטים יותר ויותר של הנתונים. לדוגמא, בתרשים חזותי זה אנו רואים נוירונים המגלים קווים, צורות ומרקמים. ייצוגים אלה (או תכונות נלמדות) מאפשרים לסווג את הנתונים.

הכשרת רשת עצבית

רשתות עצביות מאומנות על ידי ירידת שיפוע. המשקולות בכל שכבה מתחילות בערכים אקראיים, ואלה משופרים באופן איטרטיבי לאורך זמן בכדי להפוך את הרשת למדוייקת יותר. פונקציית אובדן משמשת לכימות עד כמה הרשת אינה מדויקת, ונעשה שימוש בהליך הנקרא backpropagation כדי לקבוע אם יש להגדיל או להקטין כל משקל כדי להפחית את ההפסד.

הקהילה שלנו

קהילת TensorFlow היא קבוצה פעילה של מפתחים, חוקרים, אנשי חזון, מתעסק ומפתרי בעיות. הדלת תמיד פתוחה לתרום, לשתף פעולה ולשתף את הרעיונות שלך.