Google is committed to advancing racial equity for Black communities. See how.
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ทำไมต้อง TensorFlow

ไม่ว่าคุณจะเป็นผู้เชี่ยวชาญหรือมือใหม่ TensorFlow เป็นแพลตฟอร์มแบบ end-to-end ที่ทำให้คุณสร้างและปรับใช้โมเดล ML ได้อย่างง่ายดาย

ระบบนิเวศทั้งหมดที่จะช่วยคุณแก้ปัญหาในโลกแห่งความเป็นจริงที่ท้าทายด้วยแมชชีนเลิร์นนิง

การสร้างแบบจำลองที่ง่าย

TensorFlow นำเสนอนามธรรมหลายระดับเพื่อให้คุณสามารถเลือกสิ่งที่เหมาะสมกับความต้องการของคุณ สร้างและฝึกโมเดลโดยใช้ Keras API ระดับสูงซึ่งทำให้การเริ่มต้นใช้งาน TensorFlow และแมชชีนเลิร์นนิงเป็นเรื่องง่าย

หากคุณต้องการความยืดหยุ่นมากขึ้นการดำเนินการอย่างกระตือรือร้นจะช่วยให้สามารถทำซ้ำได้ทันทีและแก้ไขจุดบกพร่องที่ใช้งานง่าย สำหรับงานฝึกอบรม ML ขนาดใหญ่ให้ใช้ API กลยุทธ์การกระจายสำหรับการฝึกอบรมแบบกระจายเกี่ยวกับการกำหนดค่าฮาร์ดแวร์ที่แตกต่างกันโดยไม่ต้องเปลี่ยนข้อกำหนดของโมเดล

ผลิต ML ได้ทุกที่

TensorFlow ให้เส้นทางโดยตรงไปยังการผลิตเสมอ ไม่ว่าจะเป็นบนเซิร์ฟเวอร์อุปกรณ์ขอบหรือเว็บ TensorFlow ช่วยให้คุณฝึกอบรมและปรับใช้โมเดลของคุณได้อย่างง่ายดายไม่ว่าคุณจะใช้ภาษาหรือแพลตฟอร์มใดก็ตาม

ใช้ TensorFlow Extended (TFX) หากคุณต้องการไปป์ไลน์ ML ที่ใช้งานจริงแบบเต็ม สำหรับการเรียกใช้การอนุมานบนอุปกรณ์พกพาและอุปกรณ์ Edge ให้ใช้ TensorFlow Lite ฝึกอบรมและปรับใช้โมเดลในสภาพแวดล้อม JavaScript โดยใช้ TensorFlow.js

การทดลองที่มีประสิทธิภาพสำหรับการวิจัย

สร้างและฝึกโมเดลที่ล้ำสมัยโดยไม่ต้องเสียสละความเร็วหรือประสิทธิภาพ TensorFlow ช่วยให้คุณมีความยืดหยุ่นและการควบคุมด้วยคุณสมบัติเช่น Keras Functional API และ Model Subclassing API สำหรับการสร้างโทโพโลยีที่ซับซ้อน สำหรับการสร้างต้นแบบที่ง่ายดายและการดีบักที่รวดเร็วให้ใช้การดำเนินการอย่างกระตือรือร้น

TensorFlow ยังสนับสนุนระบบนิเวศของไลบรารีและโมเดลส่วนเสริมที่มีประสิทธิภาพให้ทดลองใช้ด้วยเช่น Ragged Tensors, TensorFlow Probability, Tensor2Tensor และ BERT

ดูว่า บริษัท ต่างๆใช้ TensorFlow อย่างไร

เรียนรู้วิธีการทำงานของแมชชีนเลิร์นนิง

คุณเคยอยากรู้ไหมว่าเครือข่ายประสาทเทียมทำงานอย่างไร? หรือมีขั้นตอนอย่างไรในการแก้ปัญหา ML? ไม่ต้องกังวลเรามีให้คุณครอบคลุม ด้านล่างนี้คือภาพรวมโดยย่อของพื้นฐานของการเรียนรู้ของเครื่อง หรือหากคุณกำลังมองหาข้อมูลเชิงลึกเพิ่มเติมให้ไปที่หน้าการศึกษาของเราสำหรับเนื้อหาระดับเริ่มต้นและขั้นสูง

ข้อมูลเบื้องต้นเกี่ยวกับ ML

แมชชีนเลิร์นนิงคือวิธีปฏิบัติในการช่วยให้ซอฟต์แวร์ทำงานได้โดยไม่ต้องมีการเขียนโปรแกรมหรือกฎเกณฑ์ที่ชัดเจน ด้วยการเขียนโปรแกรมคอมพิวเตอร์แบบดั้งเดิมโปรแกรมเมอร์จะระบุกฎที่คอมพิวเตอร์ควรใช้ ML ต้องใช้ความคิดที่แตกต่างออกไป ML ในโลกแห่งความเป็นจริงมุ่งเน้นไปที่การวิเคราะห์ข้อมูลมากกว่าการเข้ารหัส โปรแกรมเมอร์จัดเตรียมชุดตัวอย่างและคอมพิวเตอร์จะเรียนรู้รูปแบบจากข้อมูล คุณสามารถคิดว่าแมชชีนเลิร์นนิงเป็น "การเขียนโปรแกรมด้วยข้อมูล"

ขั้นตอนในการแก้ปัญหา ML

กระบวนการหาคำตอบจากข้อมูลโดยใช้ ML มีหลายขั้นตอน สำหรับภาพรวมทีละขั้นตอนโปรดดู คู่มือ นี้ที่แสดงขั้นตอนการทำงานทั้งหมดสำหรับการจัดประเภทข้อความและอธิบายขั้นตอนสำคัญเช่นการรวบรวมชุดข้อมูลและการฝึกอบรมและการประเมินโมเดลด้วย TensorFlow

กายวิภาคของเครือข่ายประสาท

โครงข่ายประสาทเทียมเป็นแบบจำลองประเภทหนึ่งที่สามารถฝึกให้จดจำรูปแบบได้ ประกอบด้วยเลเยอร์รวมถึงเลเยอร์อินพุตและเอาต์พุตและเลเยอร์ที่ ซ่อนอยู่ อย่างน้อยหนึ่ง เลเยอร์ เซลล์ประสาทในแต่ละชั้นเรียนรู้การแสดงข้อมูลที่เป็นนามธรรมมากขึ้น ตัวอย่างเช่นในแผนภาพภาพนี้เราจะเห็นเซลล์ประสาทตรวจจับเส้นรูปร่างและพื้นผิว การเป็นตัวแทนเหล่านี้ (หรือคุณสมบัติที่เรียนรู้) ทำให้สามารถจัดประเภทข้อมูลได้

การฝึกอบรมเครือข่ายประสาท

โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยการไล่ระดับสี น้ำหนักในแต่ละเลเยอร์จะเริ่มต้นด้วยค่าสุ่มและสิ่งเหล่านี้จะได้รับการปรับปรุงซ้ำ ๆ เมื่อเวลาผ่านไปเพื่อทำให้เครือข่ายมีความแม่นยำมากขึ้น ฟังก์ชั่นการสูญเสียใช้เพื่อหาจำนวนความไม่ถูกต้องของเครือข่ายและขั้นตอนที่เรียกว่า backpropagation ใช้เพื่อพิจารณาว่าน้ำหนักแต่ละตัวควรเพิ่มขึ้นหรือลดลงเพื่อลดการสูญเสีย

ชุมชนของเรา

ชุมชน TensorFlow เป็นกลุ่มนักพัฒนานักวิจัยผู้มีวิสัยทัศน์คนจรจัดและนักแก้ปัญหา ประตูเปิดอยู่เสมอเพื่อมีส่วนร่วมทำงานร่วมกันและแบ่งปันความคิดของคุณ