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 رابط 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 برای دریافت آخرین اطلاعیه های ارسال شده مستقیم به صندوق ورودی خود ، در خبرنامه ماهانه TensorFlow ما مشترک شوید.

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

ببینید که چقدر با متن آهنگ محبوب محبوب "Dance Monkey" همگام شده اید. این تجربه در مرورگر از مدل Facemesh برای تخمین نقاط کلیدی اطراف لب برای امتیاز دهی به دقت همگام سازی لب استفاده می کند.

10 جولای 2020  
TensorFlow 2 با Object Detection API مطابقت دارد

پایگاه کد ما یکپارچه سازی محدود Keras ، دسترسی به استراتژی های توزیع ، اشکال زدایی آسان با اجرای مشتاقانه را ارائه می دهد - همه موارد خوبی که ممکن است از یک کد کد TensorFlow 2 انتظار داشته باشید.

8 جولای 2020  
TensorFlow 2.3 اینجاست!

TensorFlow 2.3 ویژگی های جدید "tf.data" را برای حل تنگناهای خط لوله ورودی و صرفه جویی در منابع ، لایه های پیش پردازش آزمایشی Keras برای پیش پردازش داده ها و ابزارهای جدید TF Profiler به نمایش می گذارد.

26 ژوئن 2020
بیاموزید که چگونه یک مدل BERT آموزش دیده را دقیق تنظیم کنید

این آموزش جدید اجرای خارج از آموزش یادگیری انتقال متن با استفاده از BERT را نشان می دهد ، طراحی شده برای اجازه دادن به شما در اصلاح یا بازآموزی آن از ابتدا.