TensorFlow Core APIs ให้ชุดของ API ระดับต่ำที่ครอบคลุม ประกอบได้ และขยายได้สำหรับการคำนวณประสิทธิภาพสูง (กระจายและเร่งความเร็ว) โดยมุ่งเป้าไปที่การสร้างโมเดลแมชชีนเลิร์นนิง (ML) เป็นหลัก ตลอดจนสร้างเครื่องมือและเฟรมเวิร์กเวิร์กโฟลว์ ML ภายใน แพลตฟอร์ม TensorFlow API เหล่านี้เป็นรากฐานสำหรับการสร้างโมเดลที่กำหนดค่าได้สูงพร้อมการควบคุมแบบละเอียดและเฟรมเวิร์กใหม่ตั้งแต่เริ่มต้น
สามารถใช้ Core API เป็นทางเลือกแทน API การเรียนรู้ของเครื่องระดับสูงเช่น Keras API ระดับสูงเหล่านี้เหมาะที่สุดสำหรับความต้องการแมชชีนเลิร์นนิงทั่วไป พวกเขาเสนอโมดูลที่หลากหลายซึ่งขจัดความซับซ้อนของ ML ในขณะเดียวกันก็มีฟังก์ชันสำหรับการปรับแต่งผ่านคลาสย่อย หากคุณกำลังมองหาภาพรวมของ TensorFlow โดยใช้ Keras โปรดดูส่วน Quickstarts และ Keras ในบท ช่วยสอน
ใครควรใช้ Core API
API ระดับต่ำของ TensorFlow Core ได้รับการออกแบบโดยคำนึงถึงนักพัฒนา ML ต่อไปนี้:
TensorFlow Core API ให้การเข้าถึงฟังก์ชันระดับต่ำภายในระบบนิเวศ TensorFlow API นี้ให้ความยืดหยุ่นและการควบคุมมากขึ้นสำหรับการสร้างโมเดล ML แอปพลิเคชัน และเครื่องมือ เมื่อเทียบกับ API ระดับสูง เช่น Keras
สร้างแบบจำลองและเวิร์กโฟลว์
Core API มักใช้เพื่อสร้างโมเดลและเวิร์กโฟลว์การเรียนรู้ของเครื่องที่ปรับแต่งได้สูงและปรับให้เหมาะสมที่สุด ต่อไปนี้เป็นวิธีการบางส่วนที่ TensorFlow Core API สามารถปรับปรุงโมเดลแมชชีนเลิร์นนิงและการพัฒนาเวิร์กโฟลว์ของคุณ:
การสร้างโมเดลหรือเลเยอร์ที่ไม่ใช่แบบดั้งเดิมซึ่งไม่พอดีกับโครงสร้างที่รองรับโดย API ระดับสูง
สร้างเลเยอร์แบบกำหนดเอง ความสูญเสีย โมเดล และเครื่องมือเพิ่มประสิทธิภาพภายใน Keras
เอกสารประกอบ Build with Core นำเสนอบทช่วยสอนเกี่ยวกับแนวคิดการเรียนรู้ของเครื่องขั้นพื้นฐานตั้งแต่เริ่มต้น บทช่วยสอนในส่วนนี้ช่วยให้คุณคุ้นเคยกับการเขียนโค้ดระดับต่ำด้วย Core API ซึ่งคุณสามารถนำไปใช้กับกรณีการใช้งานที่ซับซ้อนมากขึ้นของคุณเองได้
[null,null,["อัปเดตล่าสุด 2023-05-19 UTC"],[],[],null,["# TensorFlow Core APIs overview\n\n\u003cbr /\u003e\n\nThe TensorFlow Core APIs provide a set of comprehensive, composable, and\nextensible low-level APIs for high-performance (distributed and accelerated)\ncomputation, primarily aimed at building machine learning (ML) models as well as\nauthoring ML workflow tools and frameworks within the TensorFlow platform. These\nAPIs provide a foundation for creating highly configurable models with\nfine-grained control and new frameworks from the ground up.\n\nThe Core APIs can be used as an alternative to high-level machine learning APIs\nlike Keras. These high-level APIs are best suited for general machine learning\nneeds. They offer a variety of modules that abstract away the complexities of ML\nwhile also offering functionalities for customization through subclassing. If\nyou are looking for an overview of TensorFlow using Keras, see the Quickstarts\nand Keras sections in the [tutorials](https://www.tensorflow.org/tutorials).\n\nWho should use the Core APIs\n----------------------------\n\nThe TensorFlow Core low-level APIs are designed with the following ML developers\nin mind:\n\n- Researchers building complex models with high levels of configurability\n- Developers interested in using TensorFlow as a high-performance scientific computing platform\n- Framework authors building tools on top of the TensorFlow platform\n- High-level API users interested in:\n - Adding additional functionalities to their machine learning workflows such as custom layers, losses, models, and optimizers\n - Learning more about the inner workings of their models\n\nCore API applications\n---------------------\n\nThe TensorFlow Core APIs provide access to low level functionality within the\nTensorFlow ecosystem. This API provides more flexibility and control for\nbuilding ML models, applications, and tools, compared to high-level APIs, such\nas Keras.\n\n### Build models and workflows\n\nThe Core APIs are most commonly used to build highly customizable and optimized\nmachine learning models and workflows. Here are some of the ways that the\nTensorFlow Core APIs can improve your machine learning models and workflow\ndevelopment:\n\n- Building non-traditional models or layers that do not fully fit the structures supported by high-level APIs\n- Building custom layers, losses, models, and optimizers within Keras\n- Implementing new optimization techniques to expedite convergence during training\n- Creating custom metrics for performance evaluation\n- Designing highly-configurable training loops with support for features like batching, cross-validation, and distribution strategies\n\n### Build frameworks and tools\n\nThe TensorFlow Core APIs can also serve as the building blocks for new\nhigh-level frameworks. Here are some examples of tools and frameworks that are\ncreated with the low-level APIs:\n\n- [Keras](https://keras.io): deep learning for humans\n- [TensorFlow Model Optimization Toolkit](https://www.tensorflow.org/model_optimization): a suite of tools to optimize ML models for deployment and execution\n- [TensorFlow Graphics](https://www.tensorflow.org/graphics): a library for making useful graphics functions widely accessible\n\n### Build for scientific computing\n\nThe TensorFlow Core APIs can also be applied outside the realm of machine\nlearning. Here are a few general-purpose use cases of TensorFlow for scientific\ncomputing:\n\n- Physics simulations for solid mechanics and [fluid dynamics](https://arxiv.org/abs/2108.11076) problems\n- Graphics rendering applications like [ray tracing](https://github.com/BachiLi/redner)\n- Solving [constrained optimization problems](https://github.com/google-research/tensorflow_constrained_optimization/blob/master/README.md)\n\nCore API components\n-------------------\n\nHere are some of the fundamental components that comprise TensorFlow Core's low-\nlevel APIs. Note that this is not an all-encompassing list:\n\n- Data structures : [`tf.Tensor`](https://www.tensorflow.org/api_docs/python/tf/Tensor), [`tf.Variable`](https://www.tensorflow.org/api_docs/python/tf/Variable), [`tf.TensorArray`](https://www.tensorflow.org/api_docs/python/tf/TensorArray)\n- Primitive APIs: [`tf.shape`](https://www.tensorflow.org/api_docs/python/tf/shape), [slicing](https://www.tensorflow.org/guide/tensor_slicing), [`tf.concat`](https://www.tensorflow.org/api_docs/python/tf/concat), [`tf.bitwise`](https://www.tensorflow.org/api_docs/python/tf/bitwise)\n- Numerical: [`tf.math`](https://www.tensorflow.org/api_docs/python/tf/math), [`tf.linalg`](https://www.tensorflow.org/api_docs/python/tf/linalg), [`tf.random`](https://www.tensorflow.org/api_docs/python/tf/random)\n- Functional components: [`tf.function`](https://www.tensorflow.org/api_docs/python/tf/function), [`tf.GradientTape`](https://www.tensorflow.org/api_docs/python/tf/GradientTape)\n- Distribution: [DTensor](https://www.tensorflow.org/guide/dtensor_overview)\n- Export: [`tf.saved_model`](https://www.tensorflow.org/api_docs/python/tf/saved_model)\n\nNext steps\n----------\n\nThe *Build with Core* documentation provides tutorials of basic machine learning\nconcepts from scratch. The tutorials in this section help you get comfortable\nwith writing low-level code with Core APIs that you can then apply to more\ncomplex use cases of your own.\n| **Note:** You should not use the Core APIs to simply re-implement high-level APIs, and it is possible to use high-level APIs, such as Keras, with the Core APIs.\n\nTo get started using and learning more about the Core APIs, check out the\n[Quickstart for TensorFlow Core](https://www.tensorflow.org/guide/core/quickstart_core)."]]
