Google is committed to advancing racial equity for Black communities. See how.
Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Perché TensorFlow

Che tu sia un esperto o un principiante, TensorFlow è una piattaforma end-to-end che semplifica la creazione e la distribuzione di modelli ML.

Continua

Un intero ecosistema per aiutarti a risolvere problemi complessi e reali con l'apprendimento automatico

Facile costruzione del modello

TensorFlow offre più livelli di astrazione in modo da poter scegliere quello giusto per le tue esigenze. Crea e addestra modelli utilizzando l'API Keras di alto livello, che semplifica l'avvio di TensorFlow e del machine learning.

Se hai bisogno di maggiore flessibilità, un'esecuzione entusiasta consente l'iterazione immediata e il debug intuitivo. Per attività di formazione ML di grandi dimensioni, utilizzare l'API della strategia di distribuzione per l'addestramento distribuito su diverse configurazioni hardware senza modificare la definizione del modello.

Continua

Robusta produzione ML ovunque

TensorFlow ha sempre fornito un percorso diretto alla produzione. Che si tratti di server, dispositivi periferici o Web, TensorFlow ti consente di addestrare e distribuire facilmente il tuo modello, indipendentemente dalla lingua o dalla piattaforma che utilizzi.

Utilizza TensorFlow Extended (TFX) se hai bisogno di una pipeline ML di produzione completa. Per eseguire l'inferenza su dispositivi mobili e periferici, utilizza TensorFlow Lite. Addestra e distribuisci modelli in ambienti JavaScript utilizzando TensorFlow.js.

Continua

Potente sperimentazione per la ricerca

Costruisci e addestra modelli all'avanguardia senza sacrificare velocità o prestazioni. TensorFlow ti offre la flessibilità e il controllo con funzionalità come l'API funzionale di Keras e l'API per la creazione di sottoclassi di modelli per la creazione di topologie complesse. Per una prototipazione semplice e un debug veloce, usa un'esecuzione impaziente.

TensorFlow supporta anche un ecosistema di potenti librerie e modelli aggiuntivi con cui sperimentare, tra cui Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.

Continua

Scopri come le aziende utilizzano TensorFlow

Scopri come funziona l'apprendimento automatico

Hai mai desiderato sapere come funziona una rete neurale? O quali sono i passaggi per risolvere un problema di ML? Non preoccuparti, ci pensiamo noi. Di seguito è riportata una rapida panoramica dei fondamenti dell'apprendimento automatico. Oppure, se stai cercando informazioni più approfondite, vai alla nostra pagina di formazione per principianti e contenuti avanzati.

Introduzione a ML

L'apprendimento automatico è la pratica di aiutare il software a eseguire un'attività senza programmazione o regole esplicite. Con la programmazione tradizionale del computer, un programmatore specifica le regole che il computer dovrebbe usare. Il ML richiede una mentalità diversa, però. Il ML del mondo reale si concentra molto di più sull'analisi dei dati che sulla codifica. I programmatori forniscono una serie di esempi e il computer apprende modelli dai dati. Puoi pensare all'apprendimento automatico come "programmazione con dati".

Passaggi per risolvere un problema di ML

Ci sono più passaggi nel processo di ottenere risposte dai dati utilizzando ML. Per una panoramica dettagliata, consulta questa guida che mostra il flusso di lavoro completo per la classificazione del testo e descrive passaggi importanti come la raccolta di un set di dati e l'addestramento e la valutazione di un modello con TensorFlow.

Anatomia di una rete neurale

Una rete neurale è un tipo di modello che può essere addestrato per riconoscere i modelli. È composto da livelli, inclusi livelli di input e output e almeno un livello nascosto . I neuroni in ogni strato apprendono rappresentazioni sempre più astratte dei dati. Ad esempio, in questo diagramma visivo vediamo i neuroni che rilevano linee, forme e trame. Queste rappresentazioni (o caratteristiche apprese) rendono possibile classificare i dati.

Formazione di una rete neurale

Le reti neurali vengono addestrate dalla discesa del gradiente. I pesi in ogni livello iniziano con valori casuali e questi vengono migliorati in modo iterativo nel tempo per rendere la rete più precisa. Una funzione di perdita viene utilizzata per quantificare quanto sia imprecisa la rete e una procedura chiamata backpropagation viene utilizzata per determinare se ogni peso deve essere aumentato o diminuito per ridurre la perdita.

La nostra comunità

La comunità di TensorFlow è un gruppo attivo di sviluppatori, ricercatori, visionari, armeggiatori e risolutori di problemi. La porta è sempre aperta per contribuire, collaborare e condividere le tue idee.