Google is committed to advancing racial equity for Black communities. See how.
Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

Neden TensorFlow

İster uzman ister yeni başlayan biri olun, TensorFlow ML modelleri oluşturmanızı ve dağıtmanızı kolaylaştıran uçtan uca bir platformdur.

Devam

Makine öğrenimi ile zorlu, gerçek dünyadaki sorunları çözmenize yardımcı olacak eksiksiz bir ekosistem

Kolay model oluşturma

TensorFlow, ihtiyaçlarınız için doğru olanı seçebilmeniz için birden fazla soyutlama seviyesi sunar. TensorFlow ile çalışmaya başlamayı ve makine öğrenimini kolaylaştıran üst düzey Keras API'yi kullanarak modeller oluşturun ve eğitin.

Daha fazla esnekliğe ihtiyacınız varsa, istekli yürütme, anında yinelemeye ve sezgisel hata ayıklamaya olanak tanır. Büyük makine öğrenimi eğitim görevleri için, model tanımını değiştirmeden farklı donanım yapılandırmalarında dağıtılmış eğitim için Dağıtım Stratejisi API'sini kullanın.

Devam

Her yerde güçlü makine öğrenimi üretimi

TensorFlow her zaman üretime giden doğrudan bir yol sağlamıştır. İster sunucularda, ister uç cihazlarda veya web'de olsun, TensorFlow, hangi dili veya platformu kullanırsanız kullanın, modelinizi kolayca eğitmenize ve dağıtmanıza olanak tanır.

Tam bir üretim ML ardışık düzenine ihtiyacınız varsa TensorFlow Extended (TFX) kullanın. Mobil ve uç cihazlarda çalıştırma çıkarımı için TensorFlow Lite kullanın. TensorFlow.js kullanarak JavaScript ortamlarında modelleri eğitin ve dağıtın.

Devam

Araştırma için güçlü deneyimler

Hız veya performanstan ödün vermeden son teknoloji modelleri oluşturun ve eğitin. TensorFlow, karmaşık topolojilerin oluşturulması için Keras Functional API ve Model Subclassing API gibi özelliklerle size esneklik ve kontrol sağlar. Kolay prototip oluşturma ve hızlı hata ayıklama için istekli yürütmeyi kullanın.

TensorFlow ayrıca, Ragged Tensors, TensorFlow Probability, Tensor2Tensor ve BERT dahil olmak üzere denenecek güçlü eklenti kitaplıkları ve modellerinden oluşan bir ekosistemi destekler.

Devam

Şirketlerin TensorFlow'u nasıl kullandığını görün

Makine öğreniminin nasıl çalıştığını öğrenin

Hiç bir sinir ağının nasıl çalıştığını bilmek istediniz mi? Veya bir makine öğrenimi problemini çözmenin adımları nelerdir? Endişelenme, seni koruduk. Aşağıda, makine öğreniminin temellerine hızlı bir genel bakış bulunmaktadır. Veya daha derinlemesine bir bilgi arıyorsanız, başlangıç ​​ve ileri düzey içerik için eğitim sayfamıza gidin.

Makine öğrenimine giriş

Makine öğrenimi, açık programlama veya kurallar olmadan yazılımın bir görevi yerine getirmesine yardımcı olma uygulamasıdır. Geleneksel bilgisayar programlamasında, bir programcı bilgisayarın kullanması gereken kuralları belirler. Yine de makine öğrenimi farklı bir zihniyet gerektirir. Gerçek dünya ML, kodlamadan çok veri analizine odaklanır. Programcılar bir dizi örnek sağlar ve bilgisayar verilerden örüntüleri öğrenir. Makine öğrenimini "verilerle programlama" olarak düşünebilirsiniz.

Makine öğrenimi sorununu çözme adımları

Makine öğrenimi kullanarak verilerden yanıt alma sürecinde birden fazla adım vardır. Adım adım genel bakış için, metin sınıflandırması için eksiksiz iş akışını gösteren ve bir veri kümesi toplama ve TensorFlow ile bir modeli eğitme ve değerlendirme gibi önemli adımları açıklayan bu kılavuza göz atın.

Sinir ağının anatomisi

Sinir ağı, kalıpları tanımak için eğitilebilen bir model türüdür. Giriş ve çıkış katmanları dahil olmak üzere katmanlardan ve en az bir gizli katmandan oluşur . Her katmandaki nöronlar, verilerin giderek daha soyut temsillerini öğreniyor. Örneğin, bu görsel diyagramda çizgileri, şekilleri ve dokuları tespit eden nöronları görüyoruz. Bu temsiller (veya öğrenilen özellikler), verilerin sınıflandırılmasını mümkün kılar.

Bir sinir ağını eğitmek

Sinir ağları, gradyan inişi ile eğitilir. Her katmandaki ağırlıklar rastgele değerlerle başlar ve bunlar, ağı daha doğru hale getirmek için zaman içinde yinelemeli olarak iyileştirilir. Ağın ne kadar hatalı olduğunu ölçmek için bir kayıp işlevi kullanılır ve kaybı azaltmak için her ağırlığın artırılması veya azaltılması gerekip gerekmediğini belirlemek için geri yayılım adı verilen bir prosedür kullanılır.

Bizim topluluğumuz

TensorFlow topluluğu, aktif bir geliştiriciler, araştırmacılar, vizyonerler, tamirciler ve problem çözücüler grubudur. Kapı her zaman katkıda bulunmaya, işbirliği yapmaya ve fikirlerinizi paylaşmaya açıktır.