Save the date! Google I/O returns May 18-20 Register now
Trang này được dịch bởi Cloud Translation API.
Switch to English

Tại sao TensorFlow

Cho dù bạn là chuyên gia hay người mới bắt đầu, TensorFlow là một nền tảng end-to-end giúp bạn dễ dàng xây dựng và triển khai các mô hình ML.

tiếp tục

Toàn bộ hệ sinh thái để giúp bạn giải quyết các vấn đề thách thức trong thế giới thực bằng máy học

Xây dựng mô hình dễ dàng

TensorFlow cung cấp nhiều cấp độ trừu tượng để bạn có thể chọn cấp độ phù hợp với nhu cầu của mình. Xây dựng và đào tạo các mô hình bằng cách sử dụng API Keras cấp cao, giúp dễ dàng bắt đầu với TensorFlow và học máy.

Nếu bạn cần sự linh hoạt hơn, việc thực thi háo hức cho phép lặp lại ngay lập tức và gỡ lỗi trực quan. Đối với các nhiệm vụ đào tạo ML lớn, hãy sử dụng API chiến lược phân phối để đào tạo phân tán trên các cấu hình phần cứng khác nhau mà không thay đổi định nghĩa mô hình.

tiếp tục

Sản xuất ML mạnh mẽ ở mọi nơi

TensorFlow luôn cung cấp một đường dẫn trực tiếp đến quá trình sản xuất. Cho dù đó là trên máy chủ, thiết bị biên hay web, TensorFlow cho phép bạn đào tạo và triển khai mô hình của mình một cách dễ dàng, bất kể bạn sử dụng ngôn ngữ hoặc nền tảng nào.

Sử dụng TensorFlow Extended (TFX) nếu bạn cần một đường ống ML sản xuất đầy đủ. Để chạy suy luận trên thiết bị di động và thiết bị tiên tiến, hãy sử dụng TensorFlow Lite. Đào tạo và triển khai các mô hình trong môi trường JavaScript bằng TensorFlow.js.

tiếp tục

Thử nghiệm mạnh mẽ để nghiên cứu

Xây dựng và đào tạo các mô hình hiện đại nhất mà không phải hy sinh tốc độ hoặc hiệu suất. TensorFlow cung cấp cho bạn sự linh hoạt và khả năng kiểm soát với các tính năng như API chức năng Keras và API phân lớp mô hình để tạo các cấu trúc liên kết phức tạp. Để tạo mẫu dễ dàng và gỡ lỗi nhanh chóng, hãy sử dụng thực thi háo hức.

TensorFlow cũng hỗ trợ một hệ sinh thái các thư viện và mô hình tiện ích bổ sung mạnh mẽ để thử nghiệm, bao gồm Ragged Tensors, TensorFlow Probability, Tensor2Tensor và BERT.

tiếp tục

Khám phá các Đối tác dịch vụ AI của chúng tôi

Đối tác dịch vụ AI của TensorFlow cung cấp một loạt các giải pháp phần mềm và tư vấn để giúp bạn đổi mới nhanh hơn, giải quyết thông minh hơn và mở rộng quy mô lớn hơn với TensorFlow.

Kết nối với Đối tác dịch vụ AI của TensorFlow

Khám phá bộ sưu tập các Đối tác dịch vụ AI của chúng tôi, những người có kinh nghiệm giúp các doanh nghiệp triển khai các giải pháp dựa trên AI / ML và TensorFlow.

Tìm hiểu cách hoạt động của máy học

Bạn có bao giờ muốn biết mạng nơ-ron hoạt động như thế nào không? Hoặc các bước để giải quyết một vấn đề ML là gì? Đừng lo lắng, chúng tôi đã giúp bạn. Dưới đây là tổng quan nhanh về các nguyên tắc cơ bản của học máy. Hoặc, nếu bạn đang tìm kiếm thông tin chuyên sâu hơn, hãy truy cập trang giáo dục của chúng tôi để biết nội dung dành cho người mới bắt đầu và nâng cao.

Giới thiệu về ML

Học máy là thực hành giúp phần mềm thực hiện một tác vụ mà không cần lập trình hoặc quy tắc rõ ràng. Với lập trình máy tính truyền thống, một lập trình viên chỉ định các quy tắc mà máy tính nên sử dụng. Tuy nhiên, ML đòi hỏi một tư duy khác. ML trong thế giới thực tập trung nhiều hơn vào phân tích dữ liệu hơn là viết mã. Các lập trình viên cung cấp một tập hợp các ví dụ và máy tính học các mẫu từ dữ liệu. Bạn có thể coi học máy là “lập trình với dữ liệu”.

Các bước giải quyết vấn đề ML

Có nhiều bước trong quá trình nhận câu trả lời từ dữ liệu bằng ML. Để biết tổng quan từng bước, hãy xem hướng dẫn này hiển thị quy trình hoàn chỉnh để phân loại văn bản và mô tả các bước quan trọng như thu thập tập dữ liệu, đào tạo và đánh giá mô hình với TensorFlow.

Giải phẫu mạng lưới thần kinh

Mạng nơron là một loại mô hình có thể được huấn luyện để nhận ra các mẫu. Nó bao gồm các lớp, bao gồm các lớp đầu vào và đầu ra, và ít nhất một lớp ẩn . Tế bào thần kinh trong mỗi lớp học các biểu diễn ngày càng trừu tượng của dữ liệu. Ví dụ, trong sơ đồ trực quan này, chúng ta thấy các tế bào thần kinh phát hiện đường nét, hình dạng và kết cấu. Các biểu diễn này (hoặc các tính năng đã học) giúp bạn có thể phân loại dữ liệu.

Đào tạo mạng nơ-ron

Mạng nơ-ron được đào tạo bởi gradient descent. Các trọng số trong mỗi lớp bắt đầu bằng các giá trị ngẫu nhiên và các giá trị này được cải thiện lặp đi lặp lại theo thời gian để làm cho mạng chính xác hơn. Một hàm giảm được sử dụng để định lượng mức độ không chính xác của mạng và một quy trình được gọi là nhân giống ngược được sử dụng để xác định xem nên tăng hay giảm từng trọng lượng để giảm tổn thất.

Cộng đồng của chúng tôi

Cộng đồng TensorFlow là một nhóm tích cực gồm các nhà phát triển, nhà nghiên cứu, người có tầm nhìn xa, người mày mò và người giải quyết vấn đề. Cánh cửa luôn rộng mở để đóng góp, cộng tác và chia sẻ ý tưởng của bạn.