Google अश्वेत समुदायों के लिए नस्लीय इक्विटी को आगे बढ़ाने के लिए प्रतिबद्ध है। देखो कैसे।
इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

क्यों TensorFlow

चाहे आप एक विशेषज्ञ हों या शुरुआती, TensorFlow एक एंड-टू-एंड प्लेटफ़ॉर्म है, जो आपके लिए ML मॉडल बनाना और तैनात करना आसान बनाता है।

जारी रखें

मशीन सीखने के साथ चुनौतीपूर्ण, वास्तविक दुनिया की समस्याओं को हल करने में आपकी सहायता करने के लिए एक संपूर्ण पारिस्थितिकी तंत्र

आसान मॉडल बिल्डिंग

TensorFlow अमूर्तता के कई स्तर प्रदान करता है ताकि आप अपनी आवश्यकताओं के लिए सही चुन सकें। उच्च-स्तरीय केर एपीआई का उपयोग करके मॉडल बनाएं और ट्रेन करें, जो कि TensorFlow और मशीन सीखने के साथ आसान हो रहा है।

यदि आपको अधिक लचीलेपन की आवश्यकता है, तो तत्काल निष्पादन और सहज डिबगिंग के लिए उत्सुक निष्पादन की अनुमति देता है। बड़े एमएल प्रशिक्षण कार्यों के लिए, मॉडल परिभाषा को बदले बिना विभिन्न हार्डवेयर कॉन्फ़िगरेशन पर वितरित प्रशिक्षण के लिए वितरण रणनीति एपीआई का उपयोग करें।

जारी रखें

कहीं भी एमएल उत्पादन पर जोर

TensorFlow ने हमेशा उत्पादन का एक सीधा रास्ता प्रदान किया है। चाहे वह सर्वर, एज डिवाइस या वेब पर हो, TensorFlow आपको अपने मॉडल को आसानी से प्रशिक्षित और तैनात करने देता है, चाहे आप किसी भी भाषा या प्लेटफ़ॉर्म का उपयोग करें।

यदि आपको पूर्ण उत्पादन ML पाइपलाइन की आवश्यकता है, तो TensorFlow Extended (TFX) का उपयोग करें। मोबाइल और एज डिवाइसेस पर चलने के लिए, TensorFlow Lite का उपयोग करें। TensorFlow.js का उपयोग करके जावास्क्रिप्ट वातावरण में मॉडल को प्रशिक्षित और तैनात करें।

जारी रखें

अनुसंधान के लिए शक्तिशाली प्रयोग

गति या प्रदर्शन का त्याग किए बिना अत्याधुनिक मॉडल बनाएं और प्रशिक्षित करें। TensorFlow आपको जटिल टोपोलॉजी के निर्माण के लिए केरस फंक्शनल एपीआई और मॉडल सबक्लासिंग एपीआई जैसी सुविधाओं के साथ लचीलापन और नियंत्रण प्रदान करता है। आसान प्रोटोटाइप और तेज़ डिबगिंग के लिए, उत्सुक निष्पादन का उपयोग करें।

TensorFlow, शक्तिशाली एड-ऑन लाइब्रेरी और मॉडल का उपयोग करने के लिए पारिस्थितिकी तंत्र का भी समर्थन करता है, जिसमें Ragged Tensors, TensorFlow Probability, Tensor2Tensor और BERT शामिल हैं।

जारी रखें

देखें कि कैसे कंपनियां TensorFlow का उपयोग कर रही हैं

जानें कि मशीन लर्निंग कैसे काम करती है

क्या आप कभी जानना चाहते हैं कि तंत्रिका नेटवर्क कैसे काम करता है? या एक एमएल समस्या को हल करने के लिए क्या कदम हैं? चिंता न करें, हमने आपको कवर कर लिया है। नीचे मशीन सीखने के मूल सिद्धांतों का त्वरित अवलोकन है। या, यदि आप एक अधिक गहन जानकारी की तलाश में हैं, तो शुरुआत और उन्नत सामग्री के लिए हमारे शिक्षा पृष्ठ पर जाएं।

एमएल के लिए परिचय

मशीन लर्निंग, सॉफ्टवेयर को स्पष्ट प्रोग्रामिंग या नियमों के बिना कार्य करने में मदद करने का अभ्यास है। पारंपरिक कंप्यूटर प्रोग्रामिंग के साथ, एक प्रोग्रामर उन नियमों को निर्दिष्ट करता है जिनका उपयोग कंप्यूटर को करना चाहिए। एमएल को एक अलग मानसिकता की आवश्यकता होती है, हालांकि। वास्तविक दुनिया का एमएल कोडिंग की तुलना में डेटा विश्लेषण पर अधिक ध्यान केंद्रित करता है। प्रोग्रामर उदाहरणों का एक सेट प्रदान करते हैं और कंप्यूटर डेटा से पैटर्न सीखता है। आप मशीन लर्निंग को "डेटा के साथ प्रोग्रामिंग" के रूप में सोच सकते हैं।

एक एमएल समस्या को हल करने के लिए कदम

एमएल का उपयोग करके डेटा से उत्तर प्राप्त करने की प्रक्रिया में कई चरण हैं। चरण-दर-चरण अवलोकन के लिए, इस मार्गदर्शिका की जाँच करें जो पाठ वर्गीकरण के लिए पूर्ण वर्कफ़्लो दिखाता है, और एक डेटासेट इकट्ठा करने और टेन्सरफ्लो के साथ एक मॉडल का प्रशिक्षण और मूल्यांकन करने जैसे महत्वपूर्ण चरणों का वर्णन करता है।

तंत्रिका नेटवर्क का एनाटॉमी

एक तंत्रिका नेटवर्क एक प्रकार का मॉडल है जिसे पैटर्न को पहचानने के लिए प्रशिक्षित किया जा सकता है। यह परतों से बना है, जिसमें इनपुट और आउटपुट लेयर्स और कम से कम एक छिपी हुई परत शामिल है । प्रत्येक परत में न्यूरॉन्स डेटा के तेजी से सार प्रतिनिधित्व सीखते हैं। उदाहरण के लिए, इस दृश्य आरेख में हम लाइनों, आकृतियों और बनावट का पता लगाने वाले न्यूरॉन्स देखते हैं। ये अभ्यावेदन (या सीखी गई विशेषताएँ) डेटा को वर्गीकृत करना संभव बनाती हैं।

एक तंत्रिका नेटवर्क का प्रशिक्षण

तंत्रिका नेटवर्क को ढाल वंश द्वारा प्रशिक्षित किया जाता है। प्रत्येक परत में वजन यादृच्छिक मूल्यों के साथ शुरू होता है, और नेटवर्क को अधिक सटीक बनाने के लिए समय के साथ इनमें सुधार होता है। नुकसान फ़ंक्शन का उपयोग यह निर्धारित करने के लिए किया जाता है कि नेटवर्क कितना गलत है, और नुकसान को कम करने के लिए बैकप्रोपैगैशन नामक एक प्रक्रिया का उपयोग यह निर्धारित करने के लिए किया जाता है कि प्रत्येक वजन बढ़ाया जाना चाहिए या घटाया जाना चाहिए।

हमारे समुदाय

TensorFlow समुदाय डेवलपर्स, शोधकर्ताओं, दूरदर्शी, टिंकर और समस्या समाधानकर्ताओं का एक सक्रिय समूह है। आपके विचारों को योगदान देने, सहयोग करने और साझा करने के लिए दरवाजा हमेशा खुला है।