Mengapa TensorFlow

Baik Anda seorang ahli atau pemula, TensorFlow adalah platform menyeluruh yang memudahkan Anda membuat dan menerapkan model ML.

Seluruh ekosistem untuk membantu Anda memecahkan masalah dunia nyata yang menantang dengan pembelajaran mesin

Pembuatan model yang mudah

TensorFlow menawarkan berbagai tingkat abstraksi sehingga Anda dapat memilih yang tepat sesuai kebutuhan Anda. Bangun dan latih model menggunakan Keras API tingkat tinggi, yang memudahkan memulai TensorFlow dan machine learning.

Jika Anda membutuhkan lebih banyak fleksibilitas, eksekusi yang bersemangat memungkinkan iterasi langsung dan proses debug intuitif. Untuk tugas pelatihan ML yang besar, gunakan API Strategi Distribusi untuk pelatihan terdistribusi pada konfigurasi perangkat keras yang berbeda tanpa mengubah definisi model.

Produksi ML yang kuat di mana saja

TensorFlow selalu menyediakan jalur langsung menuju produksi. Baik di server, perangkat edge, atau web, TensorFlow memungkinkan Anda melatih dan menerapkan model dengan mudah, apa pun bahasa atau platform yang Anda gunakan.

Gunakan TFX jika Anda memerlukan pipeline ML produksi penuh. Untuk menjalankan inferensi pada perangkat seluler dan edge, gunakan TensorFlow Lite. Latih dan terapkan model di lingkungan JavaScript menggunakan TensorFlow.js.

Eksperimen yang kuat untuk penelitian

Bangun dan latih model tercanggih tanpa mengorbankan kecepatan atau performa. TensorFlow memberi Anda fleksibilitas dan kontrol dengan fitur seperti Keras Functional API dan Model Subclassing API untuk pembuatan topologi yang kompleks. Untuk pembuatan prototipe yang mudah dan proses debug yang cepat, gunakan eksekusi yang bersemangat.

TensorFlow juga mendukung ekosistem perpustakaan dan model tambahan yang kuat untuk bereksperimen, termasuk Ragged Tensors, TensorFlow Probability, Tensor2Tensor, dan BERT.

Lihat bagaimana perusahaan menggunakan TensorFlow

Airbnb
Coca-Cola
Pikiran dalam
Perawatan Kesehatan GE
Google
Intel
NERSC
Twitter

Pelajari cara kerja pembelajaran mesin

Pernahkah Anda ingin mengetahui cara kerja jaringan saraf? Atau bagaimana langkah-langkah mengatasi masalah ML? Jangan khawatir, kami siap membantu Anda. Di bawah ini adalah ikhtisar singkat tentang dasar-dasar pembelajaran mesin. Atau, jika Anda mencari informasi lebih mendalam, kunjungi halaman pendidikan kami untuk konten pemula dan lanjutan.

Pengantar ML

Pembelajaran mesin adalah praktik membantu perangkat lunak melakukan tugas tanpa pemrograman atau aturan eksplisit. Dengan pemrograman komputer tradisional, seorang programmer menentukan aturan-aturan yang harus digunakan oleh komputer. Namun, ML membutuhkan pola pikir yang berbeda. ML dunia nyata lebih berfokus pada analisis data daripada pengkodean. Pemrogram memberikan serangkaian contoh dan komputer mempelajari pola dari data. Anda dapat menganggap pembelajaran mesin sebagai “pemrograman dengan data”.

Langkah-langkah menyelesaikan masalah ML

Ada beberapa langkah dalam proses mendapatkan jawaban dari data menggunakan ML. Untuk ringkasan langkah demi langkah, lihat panduan ini yang menunjukkan alur kerja lengkap untuk klasifikasi teks, dan menjelaskan langkah-langkah penting seperti mengumpulkan set data, serta melatih dan mengevaluasi model dengan TensorFlow.

Anatomi jaringan saraf

Jaringan saraf adalah jenis model yang dapat dilatih untuk mengenali pola. Ini terdiri dari lapisan, termasuk lapisan masukan dan keluaran, dan setidaknya satu lapisan tersembunyi . Neuron di setiap lapisan mempelajari representasi data yang semakin abstrak. Misalnya, dalam diagram visual ini kita melihat neuron mendeteksi garis, bentuk, dan tekstur. Representasi ini (atau fitur yang dipelajari) memungkinkan untuk mengklasifikasikan data.

Melatih jaringan saraf

Jaringan saraf dilatih dengan penurunan gradien. Bobot di setiap lapisan dimulai dengan nilai acak, dan nilai ini terus ditingkatkan seiring berjalannya waktu untuk membuat jaringan lebih akurat. Fungsi kerugian digunakan untuk mengukur seberapa tidak akurat jaringan, dan prosedur yang disebut propagasi mundur digunakan untuk menentukan apakah setiap bobot harus ditambah, atau dikurangi, untuk mengurangi kerugian.

Komunitas kita

Komunitas TensorFlow adalah kelompok aktif yang terdiri dari pengembang, peneliti, visioner, pengotak-atik, dan pemecah masalah. Pintu selalu terbuka untuk berkontribusi, berkolaborasi, dan berbagi ide-ide Anda.