تاریخ را ذخیره کنید! Google I / O 18-20 مه بازمی گردد اکنون ثبت نام کنید
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

TensorFlow یک پلت فرم منبع باز پایان به انتهای برای یادگیری ماشین است

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

به آموزش ها مراجعه کنید

آموزشها نحوه استفاده از TensorFlow را با مثالهای کامل ، پایان به انتها به شما نشان می دهند.

به راهنما مراجعه کنید

راهنما مفاهیم و اجزای TensorFlow را توضیح می دهد.

برای مبتدی ها

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

برای یادگیری ML ، به صفحه آموزش ما مراجعه کنید . برای بهبود مهارت های خود در زمینه های بنیادی ML ، با برنامه درسی سرپرستی 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 برای اجرا برای تحقیقات پیشرفته فراهم می کند. یک کلاس برای مدل خود ایجاد کنید ، سپس ضروری است پاس عبور را بنویسید. به راحتی لایه های سفارشی ، فعال سازی ها و حلقه های آموزشی را بنویسید. مثال "Hello World" را در زیر اجرا کنید ، سپس برای کسب اطلاعات بیشتر به آموزشها 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 مشترک

برای کمک به شما در انجام پروژه ها ، آموزش های گام به گام را کاوش کنید.

برای مبتدی ها
اولین شبکه عصبی شما

در این بررسی سریع از یک برنامه کامل TensorFlow ، یک شبکه عصبی برای طبقه بندی تصاویر لباس ، مانند کفش های کتانی و پیراهن ، آموزش دهید.

برای کارشناسان
شبکه های خصمانه تولیدی

با استفاده از API زیر کلاس Keras ، یک شبکه خصمانه تولید را برای تولید تصاویر با ارقام دست نویس آموزش دهید.

برای کارشناسان
ترجمه ماشین عصبی با توجه

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

اخبار و اطلاعیه ها

برای به روزرسانی های بیشتر وبلاگ ما را بررسی کنید و در خبرنامه ماهانه TensorFlow ما مشترک شوید تا آخرین اطلاعیه ها را مستقیماً به صندوق ورودی خود ارسال کنید.