Почему TensorFlow

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

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 тот, который соответствует вашим потребностям. Создавайте и обучайте модели с помощью высокоуровневого API Keras, который упрощает начало работы с TensorFlow и машинным обучением.

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

Надежное производство машинного обучения в любом месте

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

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

Мощные эксперименты для исследований

Создавайте и тренируйте самые современные модели, не жертвуя скоростью и производительностью. TensorFlow дает вам гибкость и контроль с помощью таких функций, как Keras Functional API и API подклассов моделей для создания сложных топологий. Для упрощения прототипирования 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.

Посмотрите, как компании используют TensorFlow

Эйрбнб
Кока-Кола
Глубокий разум
GE Healthcare
Google
Интел
НЕРСК
Твиттер

Узнайте, как работает машинное обучение

Вы когда-нибудь хотели узнать, как работает нейронная сеть? Или каковы шаги по решению проблемы ML? Не волнуйтесь, мы вас прикроем. Ниже приведен краткий обзор основ машинного обучения. Или, если вы ищете более подробную информацию, перейдите на нашу образовательную страницу, где вы найдете материалы для начинающих и продвинутых пользователей.

Введение в МО

Машинное обучение — это практика помощи программному обеспечению в выполнении задачи без явного программирования или правил. При традиционном компьютерном программировании программист определяет правила, которые должен использовать компьютер. Однако ML требует другого мышления. В реальном мире машинное обучение гораздо больше фокусируется на анализе данных, чем на кодировании. Программисты предоставляют набор примеров, и компьютер изучает закономерности на основе данных. Вы можете думать о машинном обучении как о «программировании с использованием данных».

Шаги к решению проблемы ML

Процесс получения ответов на основе данных с использованием машинного обучения состоит из нескольких этапов. Для получения пошагового обзора ознакомьтесь с этим руководством , в котором показан полный рабочий процесс 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 закономерности. Он состоит из слоев, включая входной и выходной слои, а также как минимум одного скрытого слоя . Нейроны каждого слоя изучают все более абстрактные представления данных. Например, на этой визуальной диаграмме мы видим нейроны, распознающие 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 того, насколько неточна сеть, а процедура, называемая обратным распространением ошибки, используется для определения того, следует ли увеличить или уменьшить каждый вес, чтобы уменьшить потери.

Наше общество

Сообщество TensorFlow — это активная группа разработчиков, исследователей, провидцев, мастеров и специалистов по решению проблем. Двери всегда открыты, чтобы внести свой вклад, сотрудничать и делиться своими идеями.

,

Почему TensorFlow

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

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 тот, который соответствует вашим потребностям. Создавайте и обучайте модели с помощью высокоуровневого API Keras, который упрощает начало работы с TensorFlow и машинным обучением.

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

Надежное производство машинного обучения в любом месте

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

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

Мощные эксперименты для исследований

Создавайте и тренируйте самые современные модели, не жертвуя скоростью и производительностью. TensorFlow дает вам гибкость и контроль с помощью таких функций, как Keras Functional API и API подклассов моделей для создания сложных топологий. Для упрощения прототипирования 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.

Посмотрите, как компании используют TensorFlow

Эйрбнб
Кока-Кола
Глубокий разум
GE Healthcare
Google
Интел
НЕРСК
Твиттер

Узнайте, как работает машинное обучение

Вы когда-нибудь хотели узнать, как работает нейронная сеть? Или каковы шаги по решению проблемы ML? Не волнуйтесь, мы вас прикроем. Ниже приведен краткий обзор основ машинного обучения. Или, если вы ищете более подробную информацию, перейдите на нашу образовательную страницу, где вы найдете материалы для начинающих и продвинутых пользователей.

Введение в МО

Машинное обучение — это практика помощи программному обеспечению в выполнении задачи без явного программирования или правил. При традиционном компьютерном программировании программист определяет правила, которые должен использовать компьютер. Однако ML требует другого мышления. В реальном мире машинное обучение гораздо больше фокусируется на анализе данных, чем на кодировании. Программисты предоставляют набор примеров, и компьютер изучает закономерности на основе данных. Вы можете думать о машинном обучении как о «программировании с использованием данных».

Шаги к решению проблемы ML

Процесс получения ответов на основе данных с использованием машинного обучения состоит из нескольких этапов. Для получения пошагового обзора ознакомьтесь с этим руководством , в котором показан полный рабочий процесс 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 закономерности. Он состоит из слоев, включая входной и выходной слои, а также как минимум одного скрытого слоя . Нейроны каждого слоя изучают все более абстрактные представления данных. Например, на этой визуальной диаграмме мы видим нейроны, распознающие 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 того, насколько неточна сеть, а процедура, называемая обратным распространением ошибки, используется для определения того, следует ли увеличить или уменьшить каждый вес, чтобы уменьшить потери.

Наше общество

Сообщество TensorFlow — это активная группа разработчиков, исследователей, провидцев, мастеров и специалистов по решению проблем. Двери всегда открыты для внесения вклада, сотрудничества и обмена своими идеями.