این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

TensorFlow یک سیستم عامل منبع باز پایان به پایان برای یادگیری ماشین است

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

آموزش ها را مشاهده کنید

آموزش ها نحوه استفاده از TensorFlow را با نمونه های کامل و انتهایی به شما نشان می دهد.

راهنما را مشاهده کنید

راهنماها مفاهیم و مؤلفه های TensorFlow را توضیح می دهند.

برای مبتدی ها

بهترین مکان برای شروع با API Sequential کاربر پسند است. با وصل کردن بلوک های ساختمانی می توانید مدل ایجاد کنید. مثال "سلام جهان" را در زیر اجرا کنید ، سپس برای یادگیری بیشتر به آموزش ها مراجعه کنید.

برای یادگیری ML ، صفحه آموزش ما را ببینید . برای بهبود مهارت های خود در مناطق ML بنیادی ، با برنامه های درسی موقت 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

APL Subclassing یک رابط کاربری تعریف شده برای اجرا را برای تحقیقات پیشرفته فراهم می کند. یک کلاس برای مدل خود ایجاد کنید ، سپس گذرگاه رو به جلو را ضروری بنویسید. به راحتی لایه های سفارشی ، فعال سازی ها و حلقه های آموزش را نویسنده کنید. مثال "سلام جهان" را در زیر اجرا کنید ، سپس برای یادگیری 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 برای مشکلات عادی

برای کمک به پروژه های خود ، آموزش های مرحله به مرحله را کاوش کنید.

برای مبتدی ها
اولین شبکه عصبی شما

در این مرور سریع یک برنامه کامل TensorFlow ، یک شبکه عصبی را برای طبقه بندی تصاویر لباس ، مانند کفش ورزشی و پیراهن ، آموزش دهید.

برای کارشناسان
شبکه های مخالف مولد

با استفاده از API كلاس فرعی كراس ، برای تولید تصاویر با رقم های دستنویس ، یك شبكه مخالف ایجاد كنید.

برای کارشناسان
ترجمه دستگاه عصبی با توجه

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

اخبار و اطلاعیه ها

برای به روزرسانی های اضافی وبلاگ ما را بررسی کنید و در خبرنامه ماهانه TensorFlow ما عضو شوید تا آخرین اطلاعیه های ارسال شده مستقیم به صندوق ورودی خود را دریافت کنید.

14 ژوئیه سال 2020
LipSync توسط نسخه ی نمایشی YouTube با TensorFlow.js

ببینید چقدر خوب با متن آهنگ محبوب "رقص میمون" هماهنگ می شوید. این تجربه در مرورگر از مدل Facemesh برای برآورد نقاط کلیدی اطراف لب استفاده می کند تا دقت همگام سازی لب را بدست آورد.

10 ژوئیه سال 2020  
TensorFlow 2 با API Detection Detect ملاقات می کند

پایگاه کد ما یکپارچه سازی دقیق Keras ، دسترسی به استراتژی های توزیع ، اشکال زدایی آسان با اجرای مشتاق را ارائه می دهد - تمام مواردی که ممکن است از یک پایگاه داده TensorFlow 2 انتظار داشته باشد.

8 ژوئیه سال 2020  
TensorFlow 2.3 اینجا است!

TensorFlow 2.3 ویژگی های جدیدی را در 'tf.data' برای حل تنگناهای خط لوله ورودی و صرفه جویی در منابع ، لایه های پردازش آزمایشی Keras برای پردازش داده ها و ابزارهای جدید TF Profiler نشان می دهد.

26 ژوئن 2020
بیاموزید که چگونه یک مدل از پیش آماده شده BERT را تنظیم کنید

این آموزش جدید اجرای خارج از قفسه یادگیری انتقال متن با استفاده از BERT را نشان می دهد ، به گونه ای طراحی شده است که به شما اجازه می دهد آن را از ابتدا اصلاح یا بازآفرینی کنید.