Google I/O is a wrap! Catch up on TensorFlow sessions View sessions

Perché TensorFlow

Che tu sia un esperto o un principiante, TensorFlow è una piattaforma end-to-end che semplifica la creazione e l'implementazione di modelli ML.

Un intero ecosistema per aiutarti a risolvere problemi complessi e reali con l'apprendimento automatico

Facile costruzione del modello

TensorFlow offre più livelli di astrazione in modo da poter scegliere quello giusto per le tue esigenze. Crea e addestra modelli utilizzando l'API Keras di alto livello, che semplifica l'introduzione di TensorFlow e dell'apprendimento automatico.

Se hai bisogno di maggiore flessibilità, l'esecuzione desiderosa consente un'iterazione immediata e un debug intuitivo. Per attività di formazione ML di grandi dimensioni, utilizzare l'API Distribution Strategy per la formazione distribuita su diverse configurazioni hardware senza modificare la definizione del modello.

Robusta produzione ML ovunque

TensorFlow ha sempre fornito un percorso diretto alla produzione. Che si tratti di server, dispositivi perimetrali o Web, TensorFlow ti consente di addestrare e distribuire facilmente il tuo modello, indipendentemente dalla lingua o dalla piattaforma che utilizzi.

Usa TensorFlow Extended (TFX) se hai bisogno di una pipeline ML di produzione completa. Per eseguire l'inferenza su dispositivi mobili ed edge, utilizzare TensorFlow Lite. Addestra e distribuisci modelli in ambienti JavaScript utilizzando TensorFlow.js.

Potente sperimentazione per la ricerca

Costruisci e addestra modelli all'avanguardia senza sacrificare velocità o prestazioni. TensorFlow ti offre la flessibilità e il controllo con funzionalità come Keras Functional API e Model Subclassing API per la creazione di topologie complesse. Per una facile prototipazione e un debug veloce, usa l'esecuzione desiderosa.

TensorFlow supporta anche un ecosistema di potenti librerie e modelli aggiuntivi con cui sperimentare, inclusi Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.

Scopri come le aziende utilizzano TensorFlow

Airbnb
Coca Cola
Mente profonda
GE Healthcare
Google
Intel
NERSC
Twitter

Scopri come funziona l'apprendimento automatico

Hai mai voluto sapere come funziona una rete neurale? O quali sono i passaggi per risolvere un problema di ML? Non preoccuparti, ti abbiamo coperto. Di seguito è riportata una rapida panoramica dei fondamenti dell'apprendimento automatico. Oppure, se stai cercando informazioni più approfondite, vai alla nostra pagina di istruzione per contenuti per principianti e avanzati.

Introduzione a ML

L'apprendimento automatico è la pratica di aiutare il software a eseguire un'attività senza programmazione o regole esplicite. Con la programmazione informatica tradizionale, un programmatore specifica le regole che il computer dovrebbe utilizzare. Tuttavia, il ML richiede una mentalità diversa. Il ML nel mondo reale si concentra molto più sull'analisi dei dati che sulla codifica. I programmatori forniscono una serie di esempi e il computer apprende i modelli dai dati. Puoi pensare all'apprendimento automatico come alla "programmazione con i dati".

Passaggi per risolvere un problema di ML

Ci sono più passaggi nel processo per ottenere risposte dai dati utilizzando ML. Per una panoramica dettagliata, consulta questa guida che mostra il flusso di lavoro completo per la classificazione del testo e descrive passaggi importanti come la raccolta di un set di dati e l'addestramento e la valutazione di un modello con TensorFlow.

Anatomia di una rete neurale

Una rete neurale è un tipo di modello che può essere addestrato a riconoscere i modelli. È composto da livelli, inclusi livelli di input e output, e almeno un livello nascosto . I neuroni in ogni livello apprendono rappresentazioni sempre più astratte dei dati. Ad esempio, in questo diagramma visivo vediamo i neuroni che rilevano linee, forme e trame. Queste rappresentazioni (o caratteristiche apprese) consentono di classificare i dati.

Addestrare una rete neurale

Le reti neurali sono addestrate dalla discesa del gradiente. I pesi in ogni livello iniziano con valori casuali e questi vengono migliorati in modo iterativo nel tempo per rendere la rete più accurata. Una funzione di perdita viene utilizzata per quantificare quanto sia imprecisa la rete e una procedura chiamata backpropagation viene utilizzata per determinare se ciascun peso deve essere aumentato o diminuito per ridurre la perdita.

La nostra comunità

La comunità di TensorFlow è un gruppo attivo di sviluppatori, ricercatori, visionari, esperti di riparazioni e risolutori di problemi. La porta è sempre aperta per contribuire, collaborare e condividere le tue idee.