TensorFlow یک پلت فرم منبع باز سرتاسر برای یادگیری ماشین است

TensorFlow ایجاد مدل های یادگیری ماشین را برای مبتدیان و متخصصان آسان می کند. برای شروع به بخش های زیر مراجعه کنید.

آموزش ها را ببینید

آموزش ها نحوه استفاده از TensorFlow را با مثال های کامل و انتها به شما نشان می دهند.

راهنما را ببینید

راهنماها مفاهیم و اجزای TensorFlow را توضیح می دهند.

برای مبتدی ها

بهترین مکان برای شروع با کاربر پسند Sequential API است. شما می توانید با به هم وصل کردن بلوک های ساختمانی، مدل ایجاد کنید. مثال "Hello World" را در زیر اجرا کنید، سپس برای کسب اطلاعات بیشتر به آموزش ها مراجعه کنید.

برای یادگیری ML، صفحه آموزش ما را بررسی کنید. برای بهبود مهارت های خود در زمینه های اساسی ML با برنامه های درسی تنظیم شده شروع کنید.

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

برای کارشناسان

Subclassing API یک رابط تعریف شده توسط اجرا برای تحقیقات پیشرفته فراهم می کند. یک کلاس برای مدل خود ایجاد کنید، سپس پاس رو به جلو را به صورت ضروری بنویسید. لایه های سفارشی، فعال سازی ها و حلقه های آموزشی را به راحتی بنویسید. مثال "Hello World" را در زیر اجرا کنید، سپس برای کسب اطلاعات بیشتر به آموزش ها مراجعه کنید.

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

راه حل مشکلات رایج

آموزش های گام به گام را برای کمک به پروژه های خود کاوش کنید.

برای مبتدی ها
اولین شبکه عصبی شما

در این مرور سریع از یک برنامه کامل TensorFlow، یک شبکه عصبی را برای طبقه‌بندی تصاویر لباس‌ها، مانند کفش‌های کتانی و پیراهن آموزش دهید.

برای کارشناسان
شبکه های متخاصم مولد

با استفاده از Keras Subclassing API یک شبکه متخاصم مولد را برای تولید تصاویر ارقام دست نویس آموزش دهید.

برای کارشناسان
ترجمه ماشین عصبی با توجه

با استفاده از Keras Subclassing API یک مدل دنباله به دنباله برای ترجمه اسپانیایی به انگلیسی آموزش دهید.

اخبار و اطلاعیه ها

برای به‌روزرسانی‌های بیشتر، وبلاگ ما را بررسی کنید و در خبرنامه TensorFlow مشترک شوید تا آخرین اطلاعیه‌ها را مستقیماً به صندوق ورودی خود دریافت کنید.