Google is committed to advancing racial equity for Black communities. See how.

Dlaczego TensorFlow

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

Cały ekosystem, który pomoże Ci rozwiązać trudne, rzeczywiste problemy za pomocą uczenia maszynowego

Łatwe budowanie modelu

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

Jeśli potrzebujesz większej elastyczności, szybkie wykonywanie pozwala na natychmiastową iterację i intuicyjne debugowanie. W przypadku dużych zadań szkoleniowych w zakresie uczenia maszynowego użyj interfejsu API strategii dystrybucji do szkolenia rozproszonego na różnych konfiguracjach sprzętowych bez zmiany definicji modelu.

Solidna produkcja ML w dowolnym miejscu

TensorFlow zawsze zapewniał bezpośrednią ścieżkę do produkcji. Niezależnie od tego, czy chodzi o serwery, urządzenia brzegowe, czy w Internecie, TensorFlow umożliwia łatwe trenowanie i wdrażanie modelu, niezależnie od używanego języka lub platformy.

Użyj TensorFlow Extended (TFX), jeśli potrzebujesz pełnego potoku produkcyjnego ML. Aby uruchomić wnioskowanie na urządzeniach mobilnych i brzegowych, użyj TensorFlow Lite. Trenuj i wdrażaj modele w środowiskach JavaScript za pomocą TensorFlow.js.

Potężne eksperymenty do badań

Buduj 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 tworzenie prototypów i szybkie debugowanie, używaj szybkiego wykonywania.

TensorFlow obsługuje również ekosystem potężnych dodatkowych bibliotek i modeli, z którymi można eksperymentować, w tym Ragged Tensors, TensorFlow Probability, Tensor2Tensor i BERT.

Poznaj naszych partnerów usług AI

Partnerzy serwisowi TensorFlow AI oferują szereg rozwiązań konsultingowych i oprogramowania, które pomogą Ci szybciej wprowadzać innowacje, rozwiązywać inteligentniej i skalować na większą skalę dzięki TensorFlow.

Połącz się z partnerem serwisowym TensorFlow AI

Poznaj naszą kolekcję partnerów AI Service, którzy mają doświadczenie w pomaganiu firmom we wdrażaniu rozwiązań opartych na AI/ML i TensorFlow.

Dowiedz się, jak działa uczenie maszynowe

Czy kiedykolwiek chciałeś wiedzieć, jak działa sieć neuronowa? Lub jakie są kroki do rozwiązania problemu ML? Nie martw się, mamy Cię w zasięgu ręki. Poniżej znajduje się krótki przegląd podstaw uczenia maszynowego. Lub, jeśli szukasz bardziej szczegółowych informacji, wejdź na naszą stronę edukacyjną, gdzie znajdziesz treści dla początkujących i zaawansowanych.

Wprowadzenie do ML

Uczenie maszynowe to praktyka pomagania oprogramowaniu w wykonywaniu zadań bez wyraźnego programowania lub reguł. Przy tradycyjnym programowaniu komputerowym programista określa zasady, którymi powinien posługiwać się komputer. ML wymaga jednak innego sposobu myślenia. Rzeczywista ML skupia się znacznie bardziej na analizie danych niż na kodowaniu. Programiści dostarczają zestaw przykładów, a komputer uczy się wzorców z danych. Możesz myśleć o uczeniu maszynowym jako „programowaniu z danymi”.

Kroki do rozwiązania problemu z ML

Proces uzyskiwania odpowiedzi z danych za pomocą ML składa się z wielu etapów. Za przegląd krok po kroku, sprawdź ten przewodnik , który pokazuje kompletny workflow klasyfikacji tekstu, a opisuje istotne kroki, takie jak zbieranie danych, a szkolenia i oceny modelu z TensorFlow.

Anatomia sieci neuronowej

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

Trening sieci neuronowej

Sieci neuronowe są trenowane przez gradient. Wagi w każdej warstwie zaczynają się od wartości losowych, które z czasem są iteracyjnie poprawiane, aby sieć była bardziej dokładna. Funkcja straty służy do ilościowego określenia, jak niedokładna jest sieć, a procedura zwana propagacją wsteczną służy do określenia, czy każda waga powinna zostać zwiększona, czy zmniejszona, aby zmniejszyć stratę.

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.