Wprowadzenie do TensorFlow
TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego dla komputerów stacjonarnych, urządzeń mobilnych, Internetu i chmury. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.
TensorFlow
Poznaj podstawy TensorFlow dzięki samouczkom dla początkujących i ekspertów, które pomogą Ci stworzyć kolejny projekt uczenia maszynowego.
Dla sieci
Użyj TensorFlow.js, aby tworzyć nowe modele uczenia maszynowego i wdrażać istniejące modele za pomocą JavaScript.
Dla urządzeń mobilnych i Edge
Uruchamiaj wnioskowanie za pomocą TensorFlow Lite na urządzeniach mobilnych i wbudowanych, takich jak Android, iOS, Edge TPU i Raspberry Pi.
Do produkcji
Wdróż gotowy do produkcji potok ML na potrzeby uczenia i wnioskowania przy użyciu TFX.
Kompleksowa platforma do uczenia maszynowego
Przygotuj i załaduj dane, aby uzyskać pomyślne wyniki ML
Dane mogą być najważniejszym czynnikiem sukcesu Twoich wysiłków w zakresie uczenia maszynowego. TensorFlow oferuje wiele narzędzi do obsługi danych, które pomogą Ci konsolidować, czyścić i wstępnie przetwarzać dane na dużą skalę:
Standardowe zbiory danych do wstępnego szkolenia i walidacji
Wysoce skalowalne potoki danych do ładowania danych
Wstępne przetwarzanie warstw dla typowych transformacji wejściowych
Narzędzia do sprawdzania poprawności i przekształcania dużych zbiorów danych
Ponadto odpowiedzialne narzędzia sztucznej inteligencji pomagają odkrywać i eliminować stronniczość w danych, aby uzyskać uczciwe i etyczne wyniki z modeli.
Twórz i dostosowuj modele za pomocą ekosystemu TensorFlow
Poznaj cały ekosystem zbudowany na platformie Core , który usprawnia budowanie modeli, szkolenie i eksport. TensorFlow obsługuje szkolenia rozproszone, natychmiastową iterację modelu i łatwe debugowanie za pomocą Keras i wiele więcej. Narzędzia takie jak Analiza modelu i TensorBoard pomagają śledzić rozwój i ulepszenia w całym cyklu życia modelu.
Aby pomóc Ci zacząć, znajdź w TensorFlow Hub kolekcje wstępnie wyszkolonych modeli od Google i społeczności lub implementacje najnowocześniejszych modeli badawczych w Model Garden . Te biblioteki komponentów wysokiego poziomu umożliwiają tworzenie wydajnych modeli i dostrajanie ich w oparciu o nowe dane lub dostosowywanie ich do wykonywania nowych zadań.
Wdrażaj modele na urządzeniu, w przeglądarce, lokalnie lub w chmurze
TensorFlow zapewnia solidne możliwości wdrażania modeli w dowolnym środowisku - serwerach, urządzeniach brzegowych, przeglądarkach, urządzeniach mobilnych, mikrokontrolerach, procesorach, procesorach graficznych, układach FPGA. TensorFlow Serving może uruchamiać modele uczenia maszynowego na skalę produkcyjną na najbardziej zaawansowanych procesorach na świecie, w tym na niestandardowych jednostkach przetwarzania Tensor (TPU) firmy Google.
Jeśli chcesz analizować dane blisko ich źródła, aby zmniejszyć opóźnienia i poprawić prywatność danych, platforma TensorFlow Lite umożliwia uruchamianie modeli na urządzeniach mobilnych, urządzeniach brzegowych, a nawet mikrokontrolerach, a platforma TensorFlow.js umożliwia uruchamianie uczenia maszynowego za pomocą po prostu przeglądarka internetowa.
Wypróbuj w Colabie
Obsługuj model za pomocą TensorFlow ServingWdrażaj MLOps dla produkcyjnego ML
Platforma TensorFlow pomaga wdrożyć najlepsze praktyki w zakresie automatyzacji danych, śledzenia modeli, monitorowania wydajności i ponownego uczenia modeli.
Korzystanie z narzędzi na poziomie produkcyjnym w celu automatyzacji i śledzenia szkoleń modelowych przez cały okres istnienia produktu, usługi lub procesu biznesowego ma kluczowe znaczenie dla sukcesu. TFX zapewnia struktury oprogramowania i narzędzia do pełnych wdrożeń MLOps, wykrywając problemy w miarę ewolucji danych i modeli w czasie.
Chcesz poszerzyć swoją wiedzę dotyczącą ML?
TensorFlow jest łatwiejszy w użyciu dzięki podstawowemu zrozumieniu zasad uczenia maszynowego i podstawowych pojęć. Poznaj i zastosuj podstawowe praktyki uczenia maszynowego, aby rozwijać swoje umiejętności.
Rozpocznij od wybranych programów nauczania, aby udoskonalić swoje umiejętności w podstawowych obszarach uczenia maszynowego.