TensorFlow Core APIs ให้ชุดของ API ระดับต่ำที่ครอบคลุม ประกอบได้ และขยายได้สำหรับการคำนวณประสิทธิภาพสูง (กระจายและเร่งความเร็ว) โดยมุ่งเป้าไปที่การสร้างโมเดลแมชชีนเลิร์นนิง (ML) เป็นหลัก ตลอดจนสร้างเครื่องมือและเฟรมเวิร์กเวิร์กโฟลว์ ML ภายใน แพลตฟอร์ม TensorFlow API เหล่านี้เป็นรากฐานสำหรับการสร้างโมเดลที่กำหนดค่าได้สูงพร้อมการควบคุมแบบละเอียดและเฟรมเวิร์กใหม่ตั้งแต่เริ่มต้น
สามารถใช้ Core API เป็นทางเลือกแทน API การเรียนรู้ของเครื่องระดับสูงเช่น Keras API ระดับสูงเหล่านี้เหมาะที่สุดสำหรับความต้องการแมชชีนเลิร์นนิงทั่วไป พวกเขาเสนอโมดูลที่หลากหลายซึ่งขจัดความซับซ้อนของ ML ในขณะเดียวกันก็มีฟังก์ชันสำหรับการปรับแต่งผ่านคลาสย่อย หากคุณกำลังมองหาภาพรวมของ TensorFlow โดยใช้ Keras โปรดดูส่วน Quickstarts และ Keras ในบท ช่วยสอน
ใครควรใช้ Core API
API ระดับต่ำของ TensorFlow Core ได้รับการออกแบบโดยคำนึงถึงนักพัฒนา ML ต่อไปนี้:
- นักวิจัยสร้างแบบจำลองที่ซับซ้อนพร้อมความสามารถในการกำหนดค่าในระดับสูง
- นักพัฒนาที่สนใจใช้ TensorFlow เป็นแพลตฟอร์มการคำนวณทางวิทยาศาสตร์ที่มีประสิทธิภาพสูง
- ผู้สร้างเฟรมเวิร์กสร้างเครื่องมือบนแพลตฟอร์ม TensorFlow
- ผู้ใช้ API ระดับสูงที่สนใจ:
- การเพิ่มฟังก์ชันเพิ่มเติมให้กับเวิร์กโฟลว์การเรียนรู้ของเครื่อง เช่น เลเยอร์แบบกำหนดเอง การสูญเสีย โมเดล และเครื่องมือเพิ่มประสิทธิภาพ
- เรียนรู้เพิ่มเติมเกี่ยวกับการทำงานภายในของแบบจำลอง
แอปพลิเคชัน Core API
TensorFlow Core API ให้การเข้าถึงฟังก์ชันระดับต่ำภายในระบบนิเวศ TensorFlow API นี้ให้ความยืดหยุ่นและการควบคุมมากขึ้นสำหรับการสร้างโมเดล ML แอปพลิเคชัน และเครื่องมือ เมื่อเทียบกับ API ระดับสูง เช่น Keras
สร้างแบบจำลองและเวิร์กโฟลว์
Core API มักใช้เพื่อสร้างโมเดลและเวิร์กโฟลว์การเรียนรู้ของเครื่องที่ปรับแต่งได้สูงและปรับให้เหมาะสมที่สุด ต่อไปนี้เป็นวิธีการบางส่วนที่ TensorFlow Core API สามารถปรับปรุงโมเดลแมชชีนเลิร์นนิงและการพัฒนาเวิร์กโฟลว์ของคุณ:
- การสร้างโมเดลหรือเลเยอร์ที่ไม่ใช่แบบดั้งเดิมซึ่งไม่พอดีกับโครงสร้างที่รองรับโดย API ระดับสูง
- สร้างเลเยอร์แบบกำหนดเอง ความสูญเสีย โมเดล และเครื่องมือเพิ่มประสิทธิภาพภายใน Keras
- การใช้เทคนิคการเพิ่มประสิทธิภาพใหม่เพื่อเร่งการบรรจบกันระหว่างการฝึกอบรม
- การสร้างตัวชี้วัดที่กำหนดเองสำหรับการประเมินประสิทธิภาพ
- การออกแบบลูปการฝึกอบรมที่กำหนดค่าได้สูงพร้อมการรองรับคุณสมบัติต่างๆ เช่น การจัดกลุ่ม การตรวจสอบข้าม และกลยุทธ์การกระจาย
สร้างเฟรมเวิร์กและเครื่องมือ
TensorFlow Core APIs ยังสามารถทำหน้าที่เป็นบล็อกการสร้างสำหรับเฟรมเวิร์กระดับสูงใหม่ได้อีกด้วย ต่อไปนี้คือตัวอย่างบางส่วนของเครื่องมือและเฟรมเวิร์กที่สร้างด้วย API ระดับต่ำ: 
- Keras : การเรียนรู้อย่างลึกซึ้งสำหรับมนุษย์
- TensorFlow Model Optimization Toolkit : ชุดเครื่องมือเพื่อเพิ่มประสิทธิภาพโมเดล ML สำหรับการปรับใช้และการดำเนินการ
- TensorFlow Graphics : ไลบรารีสำหรับสร้างฟังก์ชันกราฟิกที่มีประโยชน์ให้เข้าถึงได้อย่างกว้างขวาง
สร้างสำหรับการคำนวณทางวิทยาศาสตร์
นอกจากนี้ยังสามารถใช้ TensorFlow Core APIs นอกขอบเขตของแมชชีนเลิร์นนิงได้อีกด้วย ต่อไปนี้คือกรณีการใช้งานทั่วไปบางประการของ TensorFlow สำหรับการคำนวณทางวิทยาศาสตร์: 
- การจำลองทางฟิสิกส์สำหรับปัญหากลศาสตร์ของแข็งและ พลศาสตร์ของไหล
- แอปพลิเคชั่นแสดงผลกราฟิก เช่น ray tracing
- การแก้ ปัญหาการเพิ่มประสิทธิภาพที่มีข้อจำกัด
ส่วนประกอบ API หลัก
ต่อไปนี้คือองค์ประกอบพื้นฐานบางส่วนที่ประกอบเป็น API ระดับต่ำของ TensorFlow Core โปรดทราบว่านี่ไม่ใช่รายการที่ครอบคลุมทั้งหมด:
- โครงสร้างข้อมูล:
tf.Tensor,tf.Variable,tf.TensorArray - API ดั้งเดิม:
tf.shape, slicing ,tf.concat,tf.bitwise - ตัวเลข:
tf.math,tf.linalg,tf.random - ส่วนประกอบการทำงาน:
tf.function,tf.GradientTape - จำหน่าย: DTensor
- ส่งออก:
tf.saved_model
ขั้นตอนถัดไป
เอกสารประกอบ Build with Core นำเสนอบทช่วยสอนเกี่ยวกับแนวคิดการเรียนรู้ของเครื่องขั้นพื้นฐานตั้งแต่เริ่มต้น บทช่วยสอนในส่วนนี้ช่วยให้คุณคุ้นเคยกับการเขียนโค้ดระดับต่ำด้วย Core API ซึ่งคุณสามารถนำไปใช้กับกรณีการใช้งานที่ซับซ้อนมากขึ้นของคุณเองได้
หากต้องการเริ่มต้นใช้งานและเรียนรู้เพิ่มเติมเกี่ยวกับ Core API โปรดดู Quickstart สำหรับ TensorFlow Core