Google 致力于为黑人社区推动种族平等。查看具体举措
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Warum TensorFlow?

Egal, ob Sie ein Experte oder ein Anfänger sind, TensorFlow ist eine End-to-End-Plattform, mit der Sie ML-Modelle einfach erstellen und bereitstellen können.

Weiter

Ein ganzes Ökosystem, das Ihnen hilft, herausfordernde, reale Probleme beim maschinellen Lernen zu lösen

Einfacher Modellbau

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

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

Weiter

Robuste ML-Produktion überall

TensorFlow hat immer einen direkten Weg zur Produktion geboten. Mit TensorFlow können Sie Ihr Modell unabhängig von der verwendeten Sprache oder Plattform problemlos trainieren und bereitstellen, unabhängig davon, ob es sich um Server, Edge-Geräte oder das Internet handelt.

Verwenden Sie TensorFlow Extended (TFX), wenn Sie eine vollständige Produktions-ML-Pipeline benötigen. Verwenden Sie TensorFlow Lite, um Inferenzen auf Mobil- und Edge-Geräten auszuführen. Trainieren und Bereitstellen von Modellen in JavaScript-Umgebungen mit TensorFlow.js.

Weiter

Kraftvolles Experimentieren für die Forschung

Bauen und trainieren Sie hochmoderne Modelle, ohne Geschwindigkeit oder Leistung zu beeinträchtigen. TensorFlow bietet Ihnen Flexibilität und Kontrolle mit Funktionen wie der Keras Functional API und der Model Subclassing API zum Erstellen komplexer Topologien. Verwenden Sie für einfaches Prototyping und schnelles Debuggen eine eifrige Ausführung.

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

Weiter

Sehen Sie, wie Unternehmen TensorFlow verwenden

Erfahren Sie, wie maschinelles Lernen funktioniert

Wollten Sie schon immer wissen, wie ein neuronales Netzwerk funktioniert? Oder was sind die Schritte zur Lösung eines ML-Problems? Mach dir keine Sorgen, wir haben dich abgesichert. Im Folgenden finden Sie eine kurze Übersicht über die Grundlagen des maschinellen Lernens. Wenn Sie detailliertere 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 herkömmlichen Computerprogrammierung gibt ein Programmierer Regeln an, die der Computer verwenden soll. ML erfordert jedoch eine andere Denkweise. Real-World ML konzentriert sich weit mehr auf Datenanalyse als auf 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

Das Abrufen von Antworten aus Daten mithilfe von ML erfolgt in mehreren Schritten. Eine schrittweise Übersicht finden Sie in diesem Handbuch , das den vollständigen Workflow für die Textklassifizierung zeigt und wichtige Schritte wie das Sammeln eines Datensatzes sowie das Trainieren und Bewerten eines Modells mit TensorFlow beschreibt.

Anatomie eines neuronalen Netzwerks

Ein neuronales Netzwerk ist eine Art Modell, das trainiert werden kann, um Muster zu erkennen. Es besteht aus Ebenen, einschließlich Eingabe- und Ausgabeebenen, und mindestens einer verborgenen Ebene . 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 Darstellungen (oder erlernten Funktionen) ermöglichen die Klassifizierung der Daten.

Ein neuronales Netzwerk trainieren

Neuronale Netze werden durch Gradientenabstieg trainiert. Die Gewichte in jeder Schicht beginnen mit zufälligen Werten, 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 verringern.

Unsere Gemeinschaft

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