Mengapa TensorFlow
Baik Anda seorang ahli atau pemula, TensorFlow adalah platform menyeluruh yang memudahkan Anda membuat dan menerapkan model ML.
Seluruh ekosistem untuk membantu Anda memecahkan masalah dunia nyata yang menantang dengan pembelajaran mesin
Pembuatan model yang mudah
TensorFlow menawarkan beberapa tingkat abstraksi sehingga Anda dapat memilih yang tepat untuk kebutuhan Anda. Bangun dan latih model dengan menggunakan Keras API tingkat tinggi, yang memudahkan memulai TensorFlow dan machine learning.
Jika Anda membutuhkan lebih banyak fleksibilitas, eksekusi bersemangat memungkinkan untuk iterasi langsung dan debugging intuitif. Untuk tugas pelatihan ML besar, gunakan Distribution Strategy API untuk pelatihan terdistribusi pada konfigurasi perangkat keras yang berbeda tanpa mengubah definisi model.
Produksi ML yang kuat di mana saja
TensorFlow selalu menyediakan jalur langsung ke produksi. Baik 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 pada perangkat seluler dan edge, gunakan TensorFlow Lite. Latih dan terapkan model di lingkungan JavaScript menggunakan TensorFlow.js.
Eksperimen yang kuat untuk penelitian
Bangun dan latih model tercanggih tanpa mengorbankan kecepatan atau performa. TensorFlow memberi Anda fleksibilitas dan kontrol dengan fitur seperti Keras Functional API dan Model Subclassing API untuk pembuatan topologi yang kompleks. Untuk pembuatan prototipe yang mudah dan debugging yang cepat, gunakan eksekusi yang bersemangat.
TensorFlow juga mendukung ekosistem library dan model add-on yang kuat untuk bereksperimen, termasuk Ragged Tensors, TensorFlow Probability, Tensor2Tensor, dan BERT.
Jelajahi Mitra Layanan AI kami
TensorFlow AI Service Partners menawarkan serangkaian solusi konsultasi dan perangkat lunak untuk membantu Anda berinovasi lebih cepat, menyelesaikan dengan lebih cerdas, dan menskalakan lebih besar dengan TensorFlow.
Jelajahi koleksi Mitra Layanan AI kami yang memiliki pengalaman membantu bisnis menerapkan solusi berbasis AI/ML dan TensorFlow.
Lihat bagaimana perusahaan menggunakan TensorFlow
Pelajari cara kerja pembelajaran mesin
Apakah Anda pernah ingin tahu bagaimana jaringan saraf bekerja? Atau bagaimana langkah-langkah untuk menyelesaikan masalah ML? Jangan khawatir, kami siap membantu Anda. Di bawah ini adalah ikhtisar singkat tentang dasar-dasar pembelajaran mesin. Atau, jika Anda mencari informasi yang lebih mendalam, kunjungi halaman pendidikan kami untuk konten pemula dan lanjutan.
Pengantar ML
Pembelajaran mesin adalah praktik membantu perangkat lunak melakukan tugas tanpa pemrograman atau aturan eksplisit. Dengan pemrograman komputer tradisional, seorang programmer menentukan aturan yang harus digunakan komputer. ML membutuhkan pola pikir yang berbeda. ML dunia nyata lebih berfokus pada analisis data daripada pengkodean. Pemrogram memberikan satu set contoh dan komputer mempelajari pola dari data. Anda dapat menganggap pembelajaran mesin sebagai "pemrograman dengan data".
Langkah-langkah untuk memecahkan masalah ML
Ada beberapa langkah dalam proses mendapatkan jawaban dari data menggunakan ML. Untuk gambaran langkah-demi-langkah, lihat ini panduan yang menunjukkan alur kerja lengkap untuk klasifikasi teks, dan menjelaskan langkah-langkah penting seperti mengumpulkan dataset, dan pelatihan dan mengevaluasi model dengan TensorFlow.
Anatomi jaringan saraf
Jaringan saraf adalah jenis model yang dapat dilatih untuk mengenali pola. Hal ini terdiri dari lapisan, termasuk input dan output layer, dan setidaknya satu tersembunyi lapisan . Neuron di setiap lapisan mempelajari representasi data yang semakin abstrak. Misalnya, dalam diagram visual ini kita melihat neuron yang 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 iteratif dari waktu ke waktu untuk membuat jaringan lebih akurat. Fungsi kerugian digunakan untuk mengukur seberapa tidak akuratnya jaringan, dan prosedur yang disebut propagasi balik digunakan untuk menentukan apakah setiap bobot harus dinaikkan, atau diturunkan, untuk mengurangi kerugian.
Komunitas kita
Komunitas TensorFlow adalah grup aktif yang terdiri dari developer, peneliti, visioner, penggertak, dan pemecah masalah. Pintu selalu terbuka untuk berkontribusi, berkolaborasi, dan berbagi ide Anda.