Google is committed to advancing racial equity for Black communities. See how.

مقدمه ای بر TensorFlow

TensorFlow ایجاد مدل های یادگیری ماشین برای دسک تاپ ، موبایل ، وب و ابر را برای مبتدیان و متخصصان آسان می کند. برای شروع به بخشهای زیر مراجعه کنید.

TensorFlow

پایه TensorFlow را با آموزشهایی برای مبتدیان و متخصصان بیاموزید تا به شما کمک کند پروژه بعدی یادگیری ماشین خود را ایجاد کنید.

برای جاوا اسکریپت

برای ایجاد مدلهای جدید یادگیری ماشین و استقرار مدلهای موجود با JavaScript از TensorFlow.js استفاده کنید.

برای موبایل و اینترنت اشیا

با TensorFlow Lite در دستگاه های همراه و جاسازی شده مانند Android ، iOS ، Edge TPU و Raspberry Pi استنباط کنید.

برای تولید

خط لوله ML آماده تولید برای آموزش و استنباط با استفاده از TensorFlow Extended (TFX) مستقر کنید.

اکوسیستم TensorFlow

TensorFlow مجموعه ای از گردش کارها را برای توسعه و آموزش مدل ها با استفاده از پایتون یا جاوا اسکریپت فراهم می کند و به راحتی در ابر ، در حالت اولیه ، در مرورگر یا در دستگاه مستقر می شود ، مهم نیست که از چه زبانی استفاده می کنید.

بارگیری و پیش پردازش داده ها
ساخت ، آموزش و استفاده مجدد از مدل ها
استقرار
توسعه پایتون
CPU GPU TPU
TensorFlow
خطوط لوله ورودی TensorFlow را بسازید
tf.data API شما را قادر می سازد از قطعات ساده و قابل استفاده مجدد ، خطوط لوله ورودی پیچیده ای بسازید.
کاوش کنید
TensorFlow
با استفاده از Keras مدل ها را بسازید و آموزش دهید
tf.keras یک API سطح بالا برای ساخت و آموزش مدل ها است. این از ویژگیهای خاص TensorFlow مانند اجرای مشتاق ، خطوط لوله tf.data و برآوردگرها پشتیبانی می کند.
کاوش کنید
TensorFlow
استقرار با استفاده از پایتون
با استفاده از سرویس TensorFlow در دستگاه همراه یا لبه ، در مرورگر یا در مقیاس مستقر شوید.
توسعه جاوا اسکریپت
پردازنده گرافیکی CPU
TensorFlow.js
از مدلهای آموزش دیده TensorFlow.js ، TensorFlow یا TFLite استفاده کنید و آنها را در وب یا سایر سیستم عاملهای JS اجرا کنید.
دستگاه های لبه
CPU GPU RPi
TensorFlow Lite
در دستگاه های تلفن همراه یا جاسازی شده مانند Android ، iOS و Raspberry Pi مستقر شوید
راهنمای توسعه دهنده را بخوانید و یک مدل جدید را انتخاب کنید یا یک مدل جدید را دوباره آموزش دهید ، آن را به یک فایل فشرده تبدیل کنید ، آن را در یک دستگاه لبه بارگیری کنید و سپس آن را بهینه کنید.
کاوش کنید
تولید پایان به پایان
CPU GPU TPU
TFX
داده های ورودی را با TF Data Validation تأیید کنید
قبل از اینکه حتی یک مدل را آموزش دهید ، نحوه استفاده از م componentsلفه های TFX را برای تجزیه و تحلیل و تبدیل داده های خود مشاهده کنید.
کاوش کنید
TFX
مهندسی ویژگی با TF Transform
بیاموزید که چگونه یک تابع پیش پردازش را که داده های خام را به داده های مورد استفاده برای آموزش مدل یادگیری ماشین تبدیل می کند ، تعریف کنید و ببینید که چگونه با استفاده از تابع پیش پردازش به خط لوله Beam ، از پیاده سازی Beache Apache برای تبدیل داده استفاده می شود.
کاوش کنید
TFX
مدلسازی و آموزش
بیاموزید که چگونه مدل های خود را در خط لوله TFX به عنوان یک فرایند مدیریت شده آموزش دهید.
کاوش کنید
TFX
درک عملکرد مدل با تجزیه و تحلیل مدل TF
ببینید که چگونه TensorFlow Analysis Model به شما امکان می دهد ارزیابی مدل را در خط لوله TFX انجام دهید و نتایج را در یک دفترچه یادداشت Jupyter تجسم کنید.
کاوش کنید
TFX
مدل های دارای REST API را با TF خدمت کنید
بیاموزید که چگونه TensorFlow خدمات به شما امکان می دهد الگوریتم ها و آزمایش های جدید را با حفظ همان معماری سرور و API ها به کار بگیرید.
کاوش کنید
ابزارها
TensorBoard
TensorBoard ابزاری برای تجسم آموزش و نتایج است
با TensorBoard می توانید معیارهای آزمایش مانند از دست دادن و دقت را ردیابی کنید ، نمودار مدل را مجسم کنید ، جاسازی های پروژه را در فضای بعدی پایین تر و موارد دیگر انجام دهید.
کاوش کنید
TensorFlow هاب
TensorFlow Hub کتابخانه گسترده ای از مدل های موجود است
TensorFlow Hub کتابخانه ای برای انتشار ، کشف و مصرف قطعات قابل استفاده مجدد از مدل های یادگیری ماشین به نام ماژول است.
کاوش کنید

آیا می خواهید دانش ML خود را گسترش دهید؟

استفاده از TensorFlow با درک اساسی اصول یادگیری ماشین و مفاهیم اصلی آسان تر است. برای رشد مهارتهای خود ، روشهای اساسی یادگیری ماشین را بیاموزید و به کار بگیرید.

ML را یاد بگیرید

برای بهبود مهارت های خود در زمینه های بنیادی ML ، با برنامه درسی سرپرستی شروع کنید.