Neden TensorFlow

İster uzman ister başlangıç ​​düzeyinde olun, TensorFlow, makine öğrenimi modelleri oluşturmanızı ve dağıtmanızı kolaylaştıran uçtan uca bir platformdur.

Makine öğrenimiyle zorlu, gerçek dünyadaki sorunları çözmenize yardımcı olacak eksiksiz bir ekosistem

Kolay model oluşturma

TensorFlow, ihtiyaçlarınıza uygun olanı seçebilmeniz için birden fazla soyutlama düzeyi sunar. TensorFlow'a ve makine öğrenimine başlamayı kolaylaştıran üst düzey Keras API'sini kullanarak modeller oluşturun ve eğitin.

Daha fazla esnekliğe ihtiyacınız varsa, hızlı yürütme, anında yinelemeye ve sezgisel hata ayıklamaya olanak tanır. Büyük ML eğitim görevleri için, model tanımını değiştirmeden farklı donanım yapılandırmalarında dağıtılmış eğitim için Dağıtım Stratejisi API'sini kullanın.

Her yerde sağlam makine öğrenimi üretimi

TensorFlow her zaman üretime giden doğrudan bir yol sağlamıştır. TensorFlow, ister sunucularda, ister uç cihazlarda veya web üzerinde olsun, kullandığınız dil veya platform ne olursa olsun modelinizi kolayca eğitmenize ve dağıtmanıza olanak tanır.

Tam üretim makine öğrenimi ardışık düzenine ihtiyacınız varsa TFX'i kullanın. Çıkarımları mobil ve uç cihazlarda çalıştırmak için TensorFlow Lite'ı kullanın. TensorFlow.js'yi kullanarak modelleri JavaScript ortamlarında eğitin ve dağıtın.

Araştırma için güçlü deneyler

Hız veya performanstan ödün vermeden son teknoloji ürünü modelleri oluşturun ve eğitin. TensorFlow, karmaşık topolojilerin oluşturulmasına yönelik Keras İşlevsel API ve Model Alt Sınıflandırma API'si gibi özelliklerle size esneklik ve kontrol sağlar. Kolay prototip oluşturma ve hızlı hata ayıklama için istekli yürütmeyi kullanın.

TensorFlow ayrıca Ragged Tensors, TensorFlow Probability, Tensor2Tensor ve BERT dahil olmak üzere deneme yapılabilecek güçlü eklenti kütüphaneleri ve modellerinden oluşan bir ekosistemi destekler.

Şirketlerin TensorFlow'u nasıl kullandığını görün

Airbnb
Coca Cola
Derin Düşünce
GE Sağlık
Google
Intel
NERSC
heyecan

Makine öğreniminin nasıl çalıştığını öğrenin

Bir sinir ağının nasıl çalıştığını hiç bilmek istediniz mi? Veya bir makine öğrenimi problemini çözmenin adımları nelerdir? Endişelenmeyin, sizi koruduk. Aşağıda makine öğreniminin temellerine hızlı bir genel bakış verilmiştir. Veya daha ayrıntılı bilgi arıyorsanız başlangıç ​​ve ileri düzey içerikler için eğitim sayfamıza gidin.

ML'ye giriş

Makine öğrenimi, yazılımın açık programlama veya kurallar olmadan bir görevi gerçekleştirmesine yardımcı olma uygulamasıdır. Geleneksel bilgisayar programlamasında programcı bilgisayarın kullanması gereken kuralları belirler. Ancak makine öğrenimi farklı bir zihniyet gerektirir. Gerçek dünyadaki ML, kodlamadan çok veri analizine odaklanır. Programcılar bir dizi örnek sağlar ve bilgisayar verilerden kalıpları öğrenir. Makine öğrenimini “verilerle programlama” olarak düşünebilirsiniz.

Makine öğrenimi sorununu çözme adımları

ML kullanarak verilerden yanıt alma sürecinde birden fazla adım vardır. Adım adım genel bakış için metin sınıflandırmasına yönelik iş akışının tamamını gösteren ve veri kümesi toplama, TensorFlow ile bir modeli eğitme ve değerlendirme gibi önemli adımları açıklayan bu kılavuza göz atın.

Bir sinir ağının anatomisi

Sinir ağı, kalıpları tanımak üzere eğitilebilecek bir model türüdür. Giriş ve çıkış katmanlarını içeren katmanlardan ve en az bir gizli katmandan oluşur. Her katmandaki nöronlar, verilerin giderek daha soyut temsillerini öğrenir. Örneğin, bu görsel diyagramda nöronların çizgileri, şekilleri ve dokuları tespit ettiğini görüyoruz. Bu gösterimler (veya öğrenilen özellikler) verilerin sınıflandırılmasını mümkün kılar.

Bir sinir ağını eğitmek

Sinir ağları gradyan inişiyle eğitilir. Her katmandaki ağırlıklar rastgele değerlerle başlar ve bunlar, ağı daha doğru hale getirmek için zaman içinde yinelenerek geliştirilir. Ağın ne kadar hatalı olduğunu ölçmek için bir kayıp fonksiyonu kullanılır ve kaybı azaltmak için her bir ağırlığın arttırılması mı yoksa azaltılması mı gerektiğini belirlemek için geri yayılım adı verilen bir prosedür kullanılır.

Bizim topluluğumuz

TensorFlow topluluğu, geliştiricilerden, araştırmacılardan, vizyonerlerden, tamircilerden ve problem çözücülerden oluşan aktif bir gruptur. Katkıda bulunmak, işbirliği yapmak ve fikirlerinizi paylaşmak için kapı her zaman açık.

,

Neden TensorFlow

İster uzman ister başlangıç ​​düzeyinde olun, TensorFlow, makine öğrenimi modelleri oluşturmanızı ve dağıtmanızı kolaylaştıran uçtan uca bir platformdur.

Makine öğrenimiyle zorlu, gerçek dünyadaki sorunları çözmenize yardımcı olacak eksiksiz bir ekosistem

Kolay model oluşturma

TensorFlow, ihtiyaçlarınıza uygun olanı seçebilmeniz için birden fazla soyutlama düzeyi sunar. TensorFlow'a ve makine öğrenimine başlamayı kolaylaştıran üst düzey Keras API'sini kullanarak modeller oluşturun ve eğitin.

Daha fazla esnekliğe ihtiyacınız varsa, hızlı yürütme, anında yinelemeye ve sezgisel hata ayıklamaya olanak tanır. Büyük ML eğitim görevleri için, model tanımını değiştirmeden farklı donanım yapılandırmalarında dağıtılmış eğitim için Dağıtım Stratejisi API'sini kullanın.

Her yerde sağlam makine öğrenimi üretimi

TensorFlow her zaman üretime giden doğrudan bir yol sağlamıştır. TensorFlow, ister sunucularda, ister uç cihazlarda veya web üzerinde olsun, kullandığınız dil veya platform ne olursa olsun modelinizi kolayca eğitmenize ve dağıtmanıza olanak tanır.

Tam üretim makine öğrenimi ardışık düzenine ihtiyacınız varsa TFX'i kullanın. Çıkarımları mobil ve uç cihazlarda çalıştırmak için TensorFlow Lite'ı kullanın. TensorFlow.js'yi kullanarak modelleri JavaScript ortamlarında eğitin ve dağıtın.

Araştırma için güçlü deneyler

Hız veya performanstan ödün vermeden son teknoloji ürünü modelleri oluşturun ve eğitin. TensorFlow, karmaşık topolojilerin oluşturulmasına yönelik Keras İşlevsel API ve Model Alt Sınıflandırma API'si gibi özelliklerle size esneklik ve kontrol sağlar. Kolay prototip oluşturma ve hızlı hata ayıklama için istekli yürütmeyi kullanın.

TensorFlow ayrıca Ragged Tensors, TensorFlow Probability, Tensor2Tensor ve BERT dahil olmak üzere deneme yapılabilecek güçlü eklenti kütüphaneleri ve modellerinden oluşan bir ekosistemi destekler.

Şirketlerin TensorFlow'u nasıl kullandığını görün

Airbnb
Coca Cola
Derin Düşünce
GE Sağlık
Google
Intel
NERSC
heyecan

Makine öğreniminin nasıl çalıştığını öğrenin

Bir sinir ağının nasıl çalıştığını hiç bilmek istediniz mi? Veya bir makine öğrenimi problemini çözmenin adımları nelerdir? Endişelenmeyin, sizi koruduk. Aşağıda makine öğreniminin temellerine hızlı bir genel bakış verilmiştir. Veya daha ayrıntılı bilgi arıyorsanız başlangıç ​​ve ileri düzey içerikler için eğitim sayfamıza gidin.

ML'ye giriş

Makine öğrenimi, yazılımın açık programlama veya kurallar olmadan bir görevi gerçekleştirmesine yardımcı olma uygulamasıdır. Geleneksel bilgisayar programlamasında programcı bilgisayarın kullanması gereken kuralları belirler. Ancak makine öğrenimi farklı bir zihniyet gerektirir. Gerçek dünyadaki ML, kodlamadan çok veri analizine odaklanır. Programcılar bir dizi örnek sağlar ve bilgisayar verilerden kalıpları öğrenir. Makine öğrenimini “verilerle programlama” olarak düşünebilirsiniz.

Makine öğrenimi sorununu çözme adımları

ML kullanarak verilerden yanıt alma sürecinde birden fazla adım vardır. Adım adım genel bakış için metin sınıflandırmasına yönelik iş akışının tamamını gösteren ve veri kümesi toplama, TensorFlow ile bir modeli eğitme ve değerlendirme gibi önemli adımları açıklayan bu kılavuza göz atın.

Bir sinir ağının anatomisi

Sinir ağı, kalıpları tanımak üzere eğitilebilecek bir model türüdür. Giriş ve çıkış katmanlarını içeren katmanlardan ve en az bir gizli katmandan oluşur. Her katmandaki nöronlar, verilerin giderek daha soyut temsillerini öğrenir. Örneğin, bu görsel diyagramda nöronların çizgileri, şekilleri ve dokuları tespit ettiğini görüyoruz. Bu gösterimler (veya öğrenilen özellikler) verilerin sınıflandırılmasını mümkün kılar.

Bir sinir ağını eğitmek

Sinir ağları gradyan inişiyle eğitilir. Her katmandaki ağırlıklar rastgele değerlerle başlar ve bunlar, ağı daha doğru hale getirmek için zaman içinde yinelenerek geliştirilir. Ağın ne kadar hatalı olduğunu ölçmek için bir kayıp fonksiyonu kullanılır ve kaybı azaltmak için her bir ağırlığın arttırılması mı yoksa azaltılması mı gerektiğini belirlemek için geri yayılım adı verilen bir prosedür kullanılır.

Bizim topluluğumuz

TensorFlow topluluğu, geliştiricilerden, araştırmacılardan, vizyonerlerden, tamircilerden ve problem çözücülerden oluşan aktif bir gruptur. Katkıda bulunmak, işbirliği yapmak ve fikirlerinizi paylaşmak için kapı her zaman açık.