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.

بیشتر بدانید

برای جاوا اسکریپت

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

بیشتر بدانید

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.

بیشتر بدانید

برای تولید

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

بیشتر بدانید

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 ویژگی های 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

CPU GPU TPU

TensorFlow.js

یک مدل پایتون را وارد کنید یا آن را در JavaScript بنویسید

با تبدیل مدل های آموزش دیده از پایتون به TensorFlow.js و همچنین نحوه ساخت و آموزش مستقیم مدل ها در JavaScript آشنا شوید.

کاوش کنید

TensorFlow.js

در مرورگر یا Node.js مستقر شوید

با نحوه استقرار مدل های TensorFlow.js در مرورگر ، در node.js یا در بستر Google Cloud آشنا شوید.

کاوش 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 از پیاده سازی Beach Apache برای تبدیل داده ها با تبدیل عملکرد پیش پردازش به خط لوله Beam 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

مدلهای 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 استفاده از TensorBoard می توانید معیارهای آزمایش مانند از دست دادن و دقت را ردیابی کنید ، نمودار مدل را تجسم 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 مهارت های خود ، روش های 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.

بیشتر بدانید

با TensorFlow شروع کنید

در آموزش ها کاوش کنید