Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

Perché TensorFlow?

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

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

Costruzione del modello facile

TensorFlow offre più livelli di astrazione in modo che tu possa scegliere quello giusto per le tue esigenze. Crea e addestra modelli utilizzando l'API Keras di alto livello, che rende facile iniziare con TensorFlow e l'apprendimento automatico.

Se hai bisogno di maggiore flessibilità, l'esecuzione anticipata consente l'iterazione immediata e il debug intuitivo. Per grandi attività di formazione ML, utilizzare l'API della strategia di distribuzione 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 sul Web, TensorFlow ti consente di addestrare e distribuire facilmente il tuo modello, indipendentemente dal linguaggio 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 e perimetrali, utilizzare TensorFlow Lite. Addestra e distribuisci modelli in ambienti JavaScript utilizzando TensorFlow.js.

Sperimentazione potente 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 l'API funzionale Keras e l'API Model Subclassing per la creazione di topologie complesse. Per una facile prototipazione e un debugging veloce, usa l'esecuzione ansiosa.

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

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 Machine Learning? 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 formazione per contenuti per principianti e avanzati.

Introduzione a ML

L'apprendimento automatico è la pratica di aiutare il software a svolgere un'attività senza programmazione o regole esplicite. Con la programmazione informatica tradizionale, un programmatore specifica le regole che il computer dovrebbe usare. Tuttavia, il machine learning richiede una mentalità diversa. Il machine learning 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 al machine learning come alla "programmazione con i dati".

Passaggi per risolvere un problema di Machine Learning

Ci sono più passaggi nel processo di ottenere risposte dai dati utilizzando ML. Per una panoramica passo-passo, consulta questa guida che mostra il flusso di lavoro completo per la classificazione testo e descrive passi importanti come la raccolta di un set di dati, e la formazione e valutare 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. Si compone di livelli anche ingresso e di uscita, ed almeno uno strato nascosto . I neuroni in ogni strato 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 l'imprecisione della rete e viene utilizzata una procedura chiamata backpropagation per determinare se ogni peso deve essere aumentato o diminuito per ridurre la perdita.

La nostra comunità

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