Google berkomitmen untuk mendorong terwujudnya keadilan ras bagi komunitas Kulit Hitam. Lihat caranya.
Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Mengapa TensorFlow

Baik Anda seorang ahli atau pemula, TensorFlow adalah platform ujung ke ujung yang memudahkan Anda untuk membuat dan menerapkan model ML.

Lanjutkan

Seluruh ekosistem untuk membantu Anda memecahkan masalah dunia nyata yang menantang dengan pembelajaran mesin

Pembuatan model yang mudah

TensorFlow menawarkan beberapa level abstraksi sehingga Anda dapat memilih level yang tepat untuk kebutuhan Anda. Buat dan latih model dengan menggunakan API Keras tingkat tinggi, yang mempermudah memulai TensorFlow dan machine learning.

Jika Anda membutuhkan lebih banyak fleksibilitas, eager execution memungkinkan pengulangan langsung dan debugging yang intuitif. Untuk tugas pelatihan ML yang besar, gunakan Distribution Strategy API untuk pelatihan terdistribusi pada konfigurasi hardware yang berbeda tanpa mengubah definisi model.

Lanjutkan

Produksi ML yang kuat di mana saja

TensorFlow selalu menyediakan jalur langsung ke produksi. Baik itu di server, perangkat edge, atau web, TensorFlow memungkinkan Anda melatih dan menerapkan model dengan mudah, apa pun bahasa atau platform yang Anda gunakan.

Gunakan TensorFlow Extended (TFX) jika Anda membutuhkan pipeline ML produksi penuh. Untuk menjalankan inferensi di perangkat seluler dan edge, gunakan TensorFlow Lite. Latih dan terapkan model di lingkungan JavaScript menggunakan TensorFlow.js.

Lanjutkan

Eksperimen yang kuat untuk penelitian

Bangun dan latih model-model mutakhir tanpa mengorbankan kecepatan atau kinerja. TensorFlow memberi Anda fleksibilitas dan kontrol dengan fitur-fitur seperti API Fungsional Keras dan API Subklasifikasi Model untuk pembuatan topologi yang kompleks. Untuk pembuatan prototipe yang mudah dan debugging yang cepat, gunakan eager execution.

TensorFlow juga mendukung ekosistem pustaka add-on yang andal dan model untuk bereksperimen, termasuk Ragged Tensors, TensorFlow Probability, Tensor2Tensor, dan BERT.

Lanjutkan

Lihat bagaimana perusahaan menggunakan TensorFlow

Pelajari cara kerja pembelajaran mesin

Apakah Anda pernah ingin tahu cara kerja jaringan saraf? Atau apa langkah-langkah untuk menyelesaikan masalah ML? Jangan khawatir, kami membantu Anda. Di bawah ini adalah ringkasan singkat tentang dasar-dasar machine learning. Atau, jika Anda mencari informasi yang lebih mendalam, buka halaman pendidikan kami untuk konten pemula dan lanjutan.

Pendahuluan tentang ML

Pembelajaran mesin adalah praktik membantu perangkat lunak melakukan tugas tanpa pemrograman atau aturan eksplisit. Dengan pemrograman komputer tradisional, seorang programmer menetapkan aturan yang harus digunakan komputer. ML membutuhkan pola pikir yang berbeda. ML di dunia nyata lebih berfokus pada analisis data daripada pengkodean. Pemrogram memberikan sekumpulan contoh dan komputer mempelajari pola dari data. Anda dapat menganggap machine learning sebagai "pemrograman dengan data".

Langkah-langkah untuk memecahkan masalah ML

Ada beberapa langkah dalam proses mendapatkan jawaban dari data menggunakan ML. Untuk ringkasan langkah demi langkah, lihat panduan ini yang menunjukkan alur kerja lengkap untuk klasifikasi teks, dan menjelaskan langkah-langkah penting seperti mengumpulkan set data, serta melatih dan mengevaluasi model dengan TensorFlow.

Anatomi jaringan saraf

Jaringan saraf adalah jenis model yang dapat dilatih untuk mengenali pola. Ini terdiri dari lapisan, termasuk lapisan masukan dan keluaran, dan setidaknya satu lapisan tersembunyi . Neuron di setiap lapisan mempelajari representasi data yang semakin abstrak. Misalnya, dalam diagram visual ini kita melihat neuron mendeteksi garis, bentuk, dan tekstur. Representasi ini (atau fitur yang dipelajari) memungkinkan untuk mengklasifikasikan data.

Melatih jaringan saraf

Jaringan saraf dilatih oleh penurunan gradien. Bobot di setiap lapisan dimulai dengan nilai acak, dan ini ditingkatkan secara berulang dari waktu ke waktu untuk membuat jaringan lebih akurat. Fungsi kerugian digunakan untuk mengukur seberapa tidak akurat jaringan tersebut, dan prosedur yang disebut propagasi mundur digunakan untuk menentukan apakah setiap bobot harus dinaikkan, atau diturunkan, untuk mengurangi kerugian.

Komunitas kita

Komunitas TensorFlow adalah grup aktif developer, peneliti, visioner, pengotak-atik, dan pemecah masalah. Pintu selalu terbuka untuk berkontribusi, berkolaborasi, dan berbagi ide.