Dlaczego TensorFlow

Niezależnie od tego, czy jesteś ekspertem, czy początkującym, TensorFlow to kompleksowa platforma, która ułatwia tworzenie i wdrażanie modeli uczenia maszynowego.

Cały ekosystem pomagający w rozwiązywaniu trudnych, rzeczywistych problemów związanych z uczeniem maszynowym

Łatwe budowanie modelu

TensorFlow oferuje wiele poziomów abstrakcji, dzięki czemu możesz wybrać odpowiedni dla swoich potrzeb. Twórz i trenuj modele, korzystając z wysokiego poziomu interfejsu API Keras, który ułatwia rozpoczęcie pracy z TensorFlow i uczeniem maszynowym.

Jeśli potrzebujesz większej elastyczności, szybkie wykonanie pozwala na natychmiastową iterację i intuicyjne debugowanie. W przypadku dużych zadań szkoleniowych ML użyj interfejsu API strategii dystrybucji do rozproszonego szkolenia na różnych konfiguracjach sprzętowych bez zmiany definicji modelu.

Solidna produkcja ML w dowolnym miejscu

TensorFlow zawsze zapewniał bezpośrednią ścieżkę do produkcji. Niezależnie od tego, czy korzystasz z serwerów, urządzeń brzegowych czy Internetu, TensorFlow umożliwia łatwe szkolenie i wdrażanie modelu, niezależnie od używanego języka i platformy.

Użyj TFX, jeśli potrzebujesz pełnego potoku produkcyjnego ML. Do uruchamiania wnioskowania na urządzeniach mobilnych i brzegowych użyj TensorFlow Lite. Trenuj i wdrażaj modele w środowiskach JavaScript przy użyciu TensorFlow.js.

Potężne eksperymenty w celach badawczych

Twórz i trenuj najnowocześniejsze modele bez poświęcania szybkości i wydajności. TensorFlow zapewnia elastyczność i kontrolę dzięki funkcjom takim jak Keras Functional API i Model Subclassing API do tworzenia złożonych topologii. Aby ułatwić prototypowanie i szybkie debugowanie, użyj szybkiego wykonywania.

TensorFlow obsługuje także ekosystem potężnych bibliotek dodatkowych i modeli do eksperymentowania, w tym Ragged Tensors, TensorFlow Probability, Tensor2Tensor i BERT.

Zobacz, jak firmy korzystają z TensorFlow

Airbnb
Coca cola
Głęboki umysł
GE Healthcare
Google
Intel
NERSC
Świergot

Dowiedz się, jak działa uczenie maszynowe

Czy kiedykolwiek chciałeś wiedzieć, jak działa sieć neuronowa? Lub jakie są kroki, aby rozwiązać problem ML? Nie martw się, zajmiemy się Tobą. Poniżej znajduje się krótki przegląd podstaw uczenia maszynowego. Jeśli szukasz bardziej szczegółowych informacji, przejdź na naszą stronę edukacyjną, gdzie znajdziesz treści dla początkujących i zaawansowanych.

Wprowadzenie do ML

Uczenie maszynowe to praktyka polegająca na pomaganiu oprogramowaniu w wykonywaniu zadań bez wyraźnego programowania i reguł. W tradycyjnym programowaniu komputerowym programista określa zasady, których powinien używać komputer. ML wymaga jednak innego sposobu myślenia. ML w świecie rzeczywistym koncentruje się znacznie bardziej na analizie danych niż na kodowaniu. Programiści dostarczają zestaw przykładów, a komputer uczy się wzorców z danych. Możesz myśleć o uczeniu maszynowym jako o „programowaniu z wykorzystaniem danych”.

Kroki prowadzące do rozwiązania problemu ML

Proces uzyskiwania odpowiedzi z danych przy użyciu uczenia maszynowego składa się z wielu etapów. Aby zapoznać się z omówieniem krok po kroku, zapoznaj się z tym przewodnikiem , który przedstawia pełny przepływ pracy dotyczący klasyfikacji tekstu i opisuje ważne kroki, takie jak zbieranie zestawu danych oraz trenowanie i ocenianie modelu za pomocą TensorFlow.

Anatomia sieci neuronowej

Sieć neuronowa to rodzaj modelu, który można wytrenować w zakresie rozpoznawania wzorców. Składa się z warstw, w tym warstwy wejściowej i wyjściowej, oraz co najmniej jednej warstwy ukrytej . Neurony w każdej warstwie uczą się coraz bardziej abstrakcyjnych reprezentacji danych. Na przykład na tym diagramie widzimy neurony wykrywające linie, kształty i tekstury. Te reprezentacje (lub wyuczone cechy) umożliwiają klasyfikację danych.

Trening sieci neuronowej

Sieci neuronowe są trenowane poprzez opadanie gradientowe. Wagi w każdej warstwie zaczynają się od losowych wartości, które z biegiem czasu są iteracyjnie ulepszane, aby sieć była dokładniejsza. Funkcja straty służy do ilościowego określenia niedokładności sieci, a procedura zwana propagacją wsteczną służy do określenia, czy każdą wagę należy zwiększyć, czy zmniejszyć, aby zmniejszyć straty.

Nasza społeczność

Społeczność TensorFlow to aktywna grupa programistów, badaczy, wizjonerów, majsterkowiczów i osób rozwiązujących problemy. Drzwi są zawsze otwarte, aby wnosić swój wkład, współpracować i dzielić się swoimi pomysłami.

,

Dlaczego TensorFlow

Niezależnie od tego, czy jesteś ekspertem, czy początkującym, TensorFlow to kompleksowa platforma, która ułatwia tworzenie i wdrażanie modeli uczenia maszynowego.

Cały ekosystem pomagający w rozwiązywaniu trudnych, rzeczywistych problemów związanych z uczeniem maszynowym

Łatwe budowanie modelu

TensorFlow oferuje wiele poziomów abstrakcji, dzięki czemu możesz wybrać odpowiedni dla swoich potrzeb. Twórz i trenuj modele, korzystając z wysokiego poziomu interfejsu API Keras, który ułatwia rozpoczęcie pracy z TensorFlow i uczeniem maszynowym.

Jeśli potrzebujesz większej elastyczności, szybkie wykonanie pozwala na natychmiastową iterację i intuicyjne debugowanie. W przypadku dużych zadań szkoleniowych ML użyj interfejsu API strategii dystrybucji do rozproszonego szkolenia na różnych konfiguracjach sprzętowych bez zmiany definicji modelu.

Solidna produkcja ML w dowolnym miejscu

TensorFlow zawsze zapewniał bezpośrednią ścieżkę do produkcji. Niezależnie od tego, czy korzystasz z serwerów, urządzeń brzegowych czy Internetu, TensorFlow umożliwia łatwe szkolenie i wdrażanie modelu, niezależnie od używanego języka i platformy.

Użyj TFX, jeśli potrzebujesz pełnego potoku produkcyjnego ML. Do uruchamiania wnioskowania na urządzeniach mobilnych i brzegowych użyj TensorFlow Lite. Trenuj i wdrażaj modele w środowiskach JavaScript przy użyciu TensorFlow.js.

Potężne eksperymenty w celach badawczych

Twórz i trenuj najnowocześniejsze modele bez poświęcania szybkości i wydajności. TensorFlow zapewnia elastyczność i kontrolę dzięki funkcjom takim jak Keras Functional API i Model Subclassing API do tworzenia złożonych topologii. Aby ułatwić prototypowanie i szybkie debugowanie, użyj szybkiego wykonywania.

TensorFlow obsługuje także ekosystem potężnych bibliotek dodatkowych i modeli do eksperymentowania, w tym Ragged Tensors, TensorFlow Probability, Tensor2Tensor i BERT.

Zobacz, jak firmy korzystają z TensorFlow

Airbnb
Coca cola
Głęboki umysł
GE Healthcare
Google
Intel
NERSC
Świergot

Dowiedz się, jak działa uczenie maszynowe

Czy kiedykolwiek chciałeś wiedzieć, jak działa sieć neuronowa? Lub jakie są kroki, aby rozwiązać problem ML? Nie martw się, zajmiemy się Tobą. Poniżej znajduje się krótki przegląd podstaw uczenia maszynowego. Jeśli szukasz bardziej szczegółowych informacji, przejdź na naszą stronę edukacyjną, gdzie znajdziesz treści dla początkujących i zaawansowanych.

Wprowadzenie do ML

Uczenie maszynowe to praktyka polegająca na pomaganiu oprogramowaniu w wykonywaniu zadań bez wyraźnego programowania i reguł. W tradycyjnym programowaniu komputerowym programista określa zasady, których powinien używać komputer. ML wymaga jednak innego sposobu myślenia. ML w świecie rzeczywistym koncentruje się znacznie bardziej na analizie danych niż na kodowaniu. Programiści dostarczają zestaw przykładów, a komputer uczy się wzorców z danych. Możesz myśleć o uczeniu maszynowym jako o „programowaniu z wykorzystaniem danych”.

Kroki prowadzące do rozwiązania problemu ML

Proces uzyskiwania odpowiedzi z danych przy użyciu uczenia maszynowego składa się z wielu etapów. Aby zapoznać się z omówieniem krok po kroku, zapoznaj się z tym przewodnikiem , który przedstawia pełny przepływ pracy dotyczący klasyfikacji tekstu i opisuje ważne kroki, takie jak zbieranie zestawu danych oraz trenowanie i ocenianie modelu za pomocą TensorFlow.

Anatomia sieci neuronowej

Sieć neuronowa to rodzaj modelu, który można wytrenować w zakresie rozpoznawania wzorców. Składa się z warstw, w tym warstwy wejściowej i wyjściowej, oraz co najmniej jednej warstwy ukrytej . Neurony w każdej warstwie uczą się coraz bardziej abstrakcyjnych reprezentacji danych. Na przykład na tym diagramie widzimy neurony wykrywające linie, kształty i tekstury. Te reprezentacje (lub wyuczone cechy) umożliwiają klasyfikację danych.

Trening sieci neuronowej

Sieci neuronowe są trenowane poprzez opadanie gradientowe. Wagi w każdej warstwie zaczynają się od losowych wartości, które z biegiem czasu są iteracyjnie ulepszane, aby sieć była dokładniejsza. Funkcja straty służy do ilościowego określenia niedokładności sieci, a procedura zwana propagacją wsteczną służy do określenia, czy każdą wagę należy zwiększyć, czy zmniejszyć, aby zmniejszyć straty.

Nasza społeczność

Społeczność TensorFlow to aktywna grupa programistów, badaczy, wizjonerów, majsterkowiczów i osób rozwiązujących problemy. Drzwi są zawsze otwarte, aby wnosić swój wkład, współpracować i dzielić się swoimi pomysłami.