Google is committed to advancing racial equity for Black communities. See how.
Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Dlaczego TensorFlow

Niezależnie od tego, czy jesteś ekspertem, czy początkującym, TensorFlow to kompleksowa platforma, która ułatwia tworzenie i wdrażanie modeli ML.

Kontynuuj

Cały ekosystem, który pomoże Ci rozwiązać trudne, rzeczywiste problemy z uczeniem maszynowym

Łatwe budowanie modeli

TensorFlow oferuje wiele poziomów abstrakcji, dzięki czemu możesz wybrać odpowiedni dla swoich potrzeb. Twórz i trenuj modele za pomocą wysokopoziomowego interfejsu API Keras, co ułatwia rozpoczęcie pracy z TensorFlow i uczeniem maszynowym.

Jeśli potrzebujesz większej elastyczności, chętne wykonywanie pozwala na natychmiastową iterację i intuicyjne debugowanie. W przypadku dużych zadań szkoleniowych ML użyj interfejsu Distribution Strategy API do rozproszonego szkolenia na różnych konfiguracjach sprzętu bez zmiany definicji modelu.

Kontynuuj

Solidna produkcja ML w dowolnym miejscu

TensorFlow zawsze zapewniał bezpośrednią ścieżkę do produkcji. Niezależnie od tego, czy działa na serwerach, urządzeniach brzegowych czy w Internecie, TensorFlow umożliwia łatwe trenowanie i wdrażanie modelu, niezależnie od używanego języka lub platformy.

Użyj TensorFlow Extended (TFX), jeśli potrzebujesz pełnego potoku ML produkcji. Aby przeprowadzić wnioskowanie na urządzeniach mobilnych i urządzeniach brzegowych, użyj TensorFlow Lite. Trenuj i wdrażaj modele w środowiskach JavaScript przy użyciu TensorFlow.js.

Kontynuuj

Potężne eksperymenty badawcze

Twórz i trenuj najnowocześniejsze modele bez poświęcania szybkości i wydajności. TensorFlow zapewnia elastyczność i kontrolę dzięki funkcjom takim jak Keras Functional API i Model Subclassing API do tworzenia złożonych topologii. Aby ułatwić prototypowanie i szybkie debugowanie, używaj szybkiego wykonywania.

TensorFlow obsługuje również ekosystem potężnych bibliotek i modeli dodatkowych do eksperymentowania, w tym Ragged Tensors, TensorFlow Probability, Tensor2Tensor i BERT.

Kontynuuj

Dowiedz się, jak działa uczenie maszynowe

Czy kiedykolwiek chciałeś wiedzieć, jak działa sieć neuronowa? Albo jakie kroki należy wykonać, aby rozwiązać problem ML? Nie martw się, zapewniamy Ci ochronę. Poniżej znajduje się krótki przegląd podstaw uczenia maszynowego. Lub, jeśli szukasz bardziej szczegółowych informacji, przejdź na naszą stronę edukacyjną, gdzie znajdziesz treści dla początkujących i zaawansowanych.

Wprowadzenie do ML

Uczenie maszynowe polega na pomaganiu oprogramowaniu w wykonywaniu zadania bez jawnego programowania lub reguł. Przy tradycyjnym programowaniu komputerowym programista określa zasady, których powinien używać komputer. ML wymaga jednak innego sposobu myślenia. Real-world ML koncentruje się bardziej na analizie danych niż na kodowaniu. Programiści zapewniają zestaw przykładów, a komputer uczy się wzorców na podstawie danych. Możesz myśleć o uczeniu maszynowym jako o „programowaniu z wykorzystaniem danych”.

Kroki do rozwiązania problemu ML

Proces uzyskiwania odpowiedzi z danych za pomocą ML składa się z wielu etapów. Aby zapoznać się z omówieniem krok po kroku, zapoznaj się z tym przewodnikiem, który przedstawia pełny przepływ pracy dotyczący klasyfikacji tekstu i opisuje ważne kroki, takie jak zbieranie zestawu danych oraz szkolenie i ocena modelu za pomocą TensorFlow.

Anatomia sieci neuronowej

Sieć neuronowa to typ modelu, który można nauczyć rozpoznawać wzorce. Składa się z warstw, w tym warstw wejściowych i wyjściowych oraz co najmniej jednej warstwy ukrytej . Neurony w każdej warstwie uczą się coraz bardziej abstrakcyjnych reprezentacji danych. Na przykład na tym diagramie wizualnym widzimy neurony wykrywające linie, kształty i tekstury. Te reprezentacje (lub wyuczone cechy) umożliwiają klasyfikację danych.

Szkolenie sieci neuronowej

Sieci neuronowe są uczone przez zejście gradientowe. Wagi w każdej warstwie rozpoczynają się od losowych wartości, które z czasem są stopniowo poprawiane, aby sieć była dokładniejsza. Funkcja straty służy do ilościowego określania niedokładności sieci, a procedura zwana propagacją wsteczną służy do określenia, czy każda waga powinna zostać zwiększona, czy zmniejszona w celu zmniejszenia straty.

Nasza społeczność

Społeczność TensorFlow to aktywna grupa programistów, badaczy, wizjonerów, majsterkowiczów i osób rozwiązujących problemy. Drzwi są zawsze otwarte, aby wnosić wkład, współpracować i dzielić się swoimi pomysłami.