Google is committed to advancing racial equity for Black communities. See how.
Эта страница была переведа с помощью Cloud Translation API.
Switch to English

Почему TensorFlow

Независимо от того, являетесь ли вы экспертом или новичком, TensorFlow - это комплексная платформа, которая упрощает создание и развертывание моделей машинного обучения.

Продолжить

Целая экосистема, которая поможет вам решать сложные, реальные проблемы с помощью машинного обучения

Простое построение модели

TensorFlow предлагает несколько уровней абстракции, поэтому вы можете выбрать подходящий для своих нужд. Создавайте и обучайте модели с помощью высокоуровневого API Keras, который упрощает начало работы с TensorFlow и машинным обучением.

Если вам нужна большая гибкость, активное выполнение обеспечивает немедленную итерацию и интуитивно понятную отладку. Для больших задач обучения машинному обучению используйте API стратегии распространения для распределенного обучения на различных конфигурациях оборудования без изменения определения модели.

Продолжить

Надежное производство машинного обучения в любом месте

TensorFlow всегда предоставлял прямой путь к производству. Будь то серверы, пограничные устройства или Интернет, TensorFlow позволяет легко обучать и развертывать вашу модель, независимо от того, какой язык или платформу вы используете.

Используйте TensorFlow Extended (TFX), если вам нужен полноценный производственный конвейер машинного обучения. Для выполнения вывода на мобильных и пограничных устройствах используйте TensorFlow Lite. Обучайте и развертывайте модели в средах JavaScript с помощью TensorFlow.js.

Продолжить

Мощные эксперименты для исследования

Создавайте и обучайте современные модели, не жертвуя скоростью или производительностью. TensorFlow обеспечивает гибкость и контроль с помощью таких функций, как Keras Functional API и Model Subclassing API для создания сложных топологий. Для простого создания прототипов и быстрой отладки используйте активное выполнение.

TensorFlow также поддерживает экосистему мощных дополнительных библиотек и моделей для экспериментов, включая Ragged Tensors, TensorFlow Probability, Tensor2Tensor и BERT.

Продолжить

Узнайте, как работает машинное обучение

Вы когда-нибудь хотели знать, как работает нейронная сеть? Или каковы шаги для решения проблемы машинного обучения? Не волнуйтесь, мы вас прикрыли. Ниже приведен краткий обзор основ машинного обучения. Или, если вам нужна более подробная информация, перейдите на нашу образовательную страницу, где вы найдете материалы для начинающих и продвинутых.

Введение в ML

Машинное обучение - это практика, помогающая программному обеспечению выполнять задачу без явного программирования или правил. В традиционном компьютерном программировании программист определяет правила, которые компьютер должен использовать. Однако машинное обучение требует другого мышления. В реальном мире машинное обучение гораздо больше ориентировано на анализ данных, чем на кодирование. Программисты предоставляют набор примеров, а компьютер изучает закономерности на основе данных. Вы можете думать о машинном обучении как о «программировании с использованием данных».

Шаги к решению проблемы машинного обучения

Процесс получения ответов на основе данных с помощью машинного обучения состоит из нескольких этапов. Для получения пошагового обзора ознакомьтесь с этим руководством, в котором показан полный рабочий процесс для классификации текста и описаны важные шаги, такие как сбор набора данных, а также обучение и оценка модели с помощью TensorFlow.

Анатомия нейронной сети

Нейронная сеть - это тип модели, которую можно обучить распознавать шаблоны. Он состоит из слоев, включая входной и выходной, и по крайней мере одного скрытого слоя . Нейроны в каждом слое изучают все более абстрактные представления данных. Например, на этой визуальной диаграмме мы видим нейроны, обнаруживающие линии, формы и текстуры. Эти представления (или изученные функции) позволяют классифицировать данные.

Обучение нейронной сети

Нейронные сети обучаются методом градиентного спуска. Веса в каждом слое начинаются со случайных значений, которые со временем итеративно улучшаются, чтобы сделать сеть более точной. Функция потерь используется для количественной оценки неточности сети, а процедура, называемая обратным распространением, используется для определения того, следует ли увеличивать или уменьшать каждый вес для уменьшения потерь.

Наше сообщество

Сообщество TensorFlow - это активная группа разработчиков, исследователей, провидцев, мастеров и решателей проблем. Дверь всегда открыта, чтобы внести свой вклад, сотрудничать и делиться своими идеями.