ML Community Day is November 9! Join us for updates from TensorFlow, JAX, and more Learn more

Warum TensorFlow

Ob Sie ein Experte oder ein Anfänger sind, TensorFlow ist eine End-to-End-Plattform, die es Ihnen leicht macht, ML-Modelle zu erstellen und bereitzustellen.

Ein komplettes Ökosystem, das Sie bei der Lösung anspruchsvoller, realer Probleme mit maschinellem Lernen unterstützt

Einfacher Modellbau

TensorFlow bietet mehrere Abstraktionsebenen, sodass Sie die richtige für Ihre Anforderungen auswählen können. Erstellen und trainieren Sie Modelle mit der High-Level Keras API, die den Einstieg in TensorFlow und maschinelles Lernen erleichtert.

Wenn Sie mehr Flexibilität benötigen, ermöglicht die eifrige Ausführung eine sofortige Iteration und ein intuitives Debugging. Verwenden Sie für umfangreiche ML-Trainingsaufgaben die Verteilungsstrategie-API für verteiltes Training auf verschiedenen Hardwarekonfigurationen, ohne die Modelldefinition zu ändern.

Robuste ML-Produktion überall

TensorFlow bietet seit jeher einen direkten Weg zur Produktion. Ob auf Servern, Edge-Geräten oder im Web, mit TensorFlow können Sie Ihr Modell einfach trainieren und bereitstellen, unabhängig von der verwendeten Sprache oder Plattform.

Verwenden Sie TensorFlow Extended (TFX), wenn Sie eine vollständige ML-Produktionspipeline benötigen. Um Inferenz auf mobilen und Edge-Geräten auszuführen, verwenden Sie TensorFlow Lite. Trainieren und Bereitstellen von Modellen in JavaScript-Umgebungen mit TensorFlow.js.

Leistungsstarkes Experimentieren für die Forschung

Bauen und trainieren Sie hochmoderne Modelle ohne Einbußen bei Geschwindigkeit oder Leistung. TensorFlow bietet Ihnen die Flexibilität und Kontrolle mit Funktionen wie der Keras Functional API und Model Subclassing API zur Erstellung komplexer Topologien. Verwenden Sie für einfaches Prototyping und schnelles Debuggen Eager Execution.

TensorFlow unterstützt auch ein Ökosystem leistungsstarker Add-On-Bibliotheken und Modelle zum Experimentieren, darunter Ragged Tensors, TensorFlow Probability, Tensor2Tensor und BERT.

Entdecken Sie unsere KI-Servicepartner

TensorFlow AI Service Partner bieten eine Reihe von Beratungs- und Softwarelösungen, mit denen Sie mit TensorFlow schneller innovieren, intelligentere Lösungen entwickeln und größer skalieren können.

Verbinden Sie sich mit einem TensorFlow AI Servicepartner

Entdecken Sie unsere Sammlung von KI-Servicepartnern, die Erfahrung in der Unterstützung von Unternehmen bei der Implementierung von KI/ML- und TensorFlow-basierten Lösungen haben.

Sehen Sie, wie Unternehmen TensorFlow verwenden

Erfahren Sie, wie maschinelles Lernen funktioniert

Wollten Sie schon immer wissen, wie ein neuronales Netz funktioniert? Oder wie sind die Schritte zur Lösung eines ML-Problems? Keine Sorge, wir sind für Sie da. Im Folgenden erhalten Sie einen kurzen Überblick über die Grundlagen des maschinellen Lernens. Wenn Sie nach tiefergehenden Informationen suchen, besuchen Sie unsere Schulungsseite für Anfänger- und Fortgeschritteneninhalte.

Einführung in ML

Maschinelles Lernen ist die Praxis, Software bei der Ausführung einer Aufgabe ohne explizite Programmierung oder Regeln zu unterstützen. Bei der traditionellen Computerprogrammierung legt ein Programmierer Regeln fest, die der Computer verwenden soll. ML erfordert jedoch eine andere Denkweise. Real-World-ML konzentriert sich weit mehr auf die Datenanalyse als auf die Codierung. Programmierer liefern eine Reihe von Beispielen und der Computer lernt Muster aus den Daten. Sie können sich maschinelles Lernen als „Programmieren mit Daten“ vorstellen.

Schritte zur Lösung eines ML-Problems

Es gibt mehrere Schritte, um mithilfe von ML Antworten aus Daten zu erhalten. Eine Schritt- für -Schritt - Übersicht, überprüfen Sie diese heraus Führung , dass zeigt den kompletten Workflow für Textklassifikation und wichtige Schritte wie einen Datensatz zu sammeln, und die Ausbildung und die Bewertung eines Modells mit TensorFlow beschreibt.

Anatomie eines neuronalen Netzes

Ein neuronales Netz ist eine Art Modell, das trainiert werden kann, um Muster zu erkennen. Es ist aus Schichten aufgebaut, einschließlich Eingangs- und Ausgangsschichten und mindestens eine verborgene Schicht . Neuronen in jeder Schicht lernen zunehmend abstrakte Darstellungen der Daten. In diesem visuellen Diagramm sehen wir beispielsweise Neuronen, die Linien, Formen und Texturen erkennen. Diese Repräsentationen (oder gelernten Merkmale) ermöglichen es, die Daten zu klassifizieren.

Ein neuronales Netz trainieren

Neuronale Netze werden durch Gradientenabstieg trainiert. Die Gewichtungen in jeder Schicht beginnen mit Zufallswerten, und diese werden im Laufe der Zeit iterativ verbessert, um das Netzwerk genauer zu machen. Eine Verlustfunktion wird verwendet, um zu quantifizieren, wie ungenau das Netzwerk ist, und ein Verfahren namens Backpropagation wird verwendet, um zu bestimmen, ob jedes Gewicht erhöht oder verringert werden sollte, um den Verlust zu reduzieren.

Unsere Gemeinschaft

Die TensorFlow-Community ist eine aktive Gruppe von Entwicklern, Forschern, Visionären, Tüftlern und Problemlösern. Die Tür steht immer offen, um Beiträge zu leisten, zusammenzuarbeiten und Ihre Ideen zu teilen.