TensorFlow یک پلتفرم متن باز 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.

به آموزشها مراجعه کنید

آموزش ها نحوه استفاده از TensorFlow را با مثالهای کامل و انتهای به شما نشان می دهند.

راهنما را ببینید

راهنماها مفاهیم و اجزای TensorFlow را توضیح می دهند.

برای مبتدی ها

بهترین مکان برای شروع ، API Sequential کاربرپسند است. شما می توانید با اتصال قطعات اصلی به یکدیگر مدل ایجاد کنید. "سلام جهان" به عنوان مثال زیر را اجرا کنید، سپس بازدید از آموزش به یادگیری بیشتر.

برای کسب ML، از ما صفحه آموزش . برای تقویت مهارت های خود در زمینه های اصلی ML ، با برنامه های درسی انتخاب 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

API Subclassing یک رابط تعریف شده برای اجرا برای تحقیقات پیشرفته ارائه می دهد. برای مدل خود یک کلاس ایجاد کنید ، سپس گذرنامه جلو را ضروری بنویسید. به راحتی لایه های سفارشی ، فعال سازی ها و حلقه های آموزشی را بنویسید. "سلام جهان" به عنوان مثال زیر را اجرا کنید، سپس بازدید از آموزش به یادگیری بیشتر.

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

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

برای مبتدی ها
اولین شبکه عصبی شما

در این نمای کلی 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 خصمانه تولیدی

برای ایجاد تصاویر رقم های دست نویس ، با استفاده از API زیر کلاس Keras ، یک شبکه متخاصم مولد را آموزش دهید.

برای کارشناسان
ترجمه ماشینی عصبی با توجه

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

اخبار و اطلاعیه ها

ما را بررسی کنید وبلاگ برای به روز رسانی اضافی، و برای عضویت در خبرنامه TensorFlow ماهانه ما برای دریافت آخرین اخبار و اطلاعیه های به طور مستقیم به صندوق پستی خود را ارسال می شود.