Введение в TensorFlow
TensorFlow позволяет новичкам и экспертам легко создавать модели машинного обучения для настольных компьютеров, мобильных устройств, Интернета и облака. См. разделы ниже, чтобы начать.
ТензорФлоу
Изучите основы TensorFlow с помощью руководств для начинающих и экспертов, которые помогут вам создать свой следующий проект машинного обучения.
Для Интернета
Используйте TensorFlow.js для создания новых моделей машинного обучения и развертывания существующих моделей с помощью JavaScript.
Для мобильных и пограничных устройств
Выполняйте логические выводы с помощью TensorFlow Lite на мобильных и встроенных устройствах, таких как Android, iOS, Edge TPU и Raspberry Pi.
Для производства
Разверните готовый конвейер машинного обучения для обучения и получения логических выводов с помощью TFX.
Комплексная платформа для машинного обучения
Подготовьте и загрузите данные для получения успешных результатов машинного обучения
Данные могут быть самым важным фактором успеха ваших усилий по машинному обучению. TensorFlow предлагает несколько инструментов обработки данных, которые помогут вам консолидировать, очистить и предварительно обработать данные в любом масштабе:
Стандартные наборы данных для начального обучения и проверки
Высокомасштабируемые конвейеры данных для загрузки данных
Слои предварительной обработки для общих входных преобразований
Инструменты для проверки и преобразования больших наборов данных
Кроме того, ответственные инструменты искусственного интеллекта помогут вам выявить и устранить предвзятость в ваших данных, чтобы получить справедливые и этичные результаты от ваших моделей.
Создавайте и настраивайте модели с помощью экосистемы TensorFlow.
Исследуйте всю экосистему, построенную на платформе Core , которая упрощает построение, обучение и экспорт моделей. TensorFlow поддерживает распределенное обучение, немедленную итерацию модели, простую отладку с помощью Keras и многое другое. Такие инструменты, как Model Analysis и TensorBoard , помогают отслеживать разработку и улучшение на протяжении всего жизненного цикла модели.
Чтобы помочь вам начать работу, найдите коллекции предварительно обученных моделей в TensorFlow Hub от Google и сообщества или реализации современных исследовательских моделей в Model Garden . Эти библиотеки высокоуровневых компонентов позволяют вам брать мощные модели и настраивать их на новые данные или настраивать для выполнения новых задач.
Развертывание моделей на устройстве, в браузере, локально или в облаке
TensorFlow предоставляет надежные возможности для развертывания ваших моделей в любой среде — серверах, периферийных устройствах, браузерах, мобильных устройствах, микроконтроллерах, процессорах, графических процессорах, ПЛИС. TensorFlow Serving может запускать модели машинного обучения в производственных масштабах на самых передовых процессорах в мире, включая настраиваемые блоки тензорной обработки (TPU) Google.
Если вам нужно анализировать данные вблизи их источника, чтобы уменьшить задержку и повысить конфиденциальность данных, платформа TensorFlow Lite позволяет запускать модели на мобильных устройствах, периферийных вычислительных устройствах и даже микроконтроллерах, а платформа TensorFlow.js позволяет запускать машинное обучение с помощью просто веб-браузер.
Попробуйте в Колабе
Обслуживание модели с помощью TensorFlow ServingВнедрение MLOps для промышленного машинного обучения
Платформа TensorFlow помогает внедрять передовые методы автоматизации данных, отслеживания моделей, мониторинга производительности и переобучения моделей.
Использование инструментов производственного уровня для автоматизации и отслеживания обучения моделей на протяжении всего жизненного цикла продукта, услуги или бизнес-процесса имеет решающее значение для успеха. TFX предоставляет программные платформы и инструменты для полного развертывания MLOps, обнаруживая проблемы по мере изменения ваших данных и моделей с течением времени.
Хотите расширить свои знания в области машинного обучения?
TensorFlow проще использовать при наличии базового понимания принципов и основных концепций машинного обучения. Изучайте и применяйте фундаментальные методы машинного обучения для развития своих навыков.
Начните с тщательно подобранных учебных программ, чтобы улучшить свои навыки в основных областях машинного обучения.