با مجموعهها، منظم بمانید
ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
APIهای TensorFlow Core مجموعه‌ای از APIهای سطح پایین جامع، قابل ترکیب و توسعه‌پذیر را برای محاسبات با کارایی بالا (توزیع شده و شتاب‌زده) ارائه می‌کنند، که عمدتاً با هدف ساخت مدل‌های یادگیری ماشین (ML) و همچنین ایجاد ابزارها و چارچوب‌های گردش کار ML در داخل پلتفرم تنسورفلو این APIها پایه ای برای ایجاد مدل های بسیار قابل تنظیم با کنترل دقیق و چارچوب های جدید از ابتدا فراهم می کنند.
Core API ها می توانند به عنوان جایگزینی برای API های یادگیری ماشین سطح بالا مانند Keras استفاده شوند. این APIهای سطح بالا برای نیازهای کلی یادگیری ماشین مناسب هستند. آنها ماژول‌های مختلفی را ارائه می‌کنند که پیچیدگی‌های ML را انتزاعی می‌کنند و در عین حال قابلیت‌هایی را برای سفارشی‌سازی از طریق زیر کلاس‌بندی ارائه می‌کنند. اگر به دنبال یک نمای کلی از TensorFlow با استفاده از Keras هستید، بخش‌های Quickstarts و Keras را در آموزش‌ها ببینید.
چه کسی باید از Core API استفاده کند
API های سطح پایین TensorFlow Core با در نظر گرفتن توسعه دهندگان ML زیر طراحی شده اند:
محققان مدل های پیچیده ای را با سطوح بالایی از پیکربندی می سازند
توسعه دهندگان علاقه مند به استفاده از TensorFlow به عنوان یک پلت فرم محاسباتی علمی با کارایی بالا
نویسندگان چارچوب ابزارهایی را در بالای پلت فرم TensorFlow می سازند
کاربران API سطح بالا علاقه مند به:
افزودن قابلیت‌های اضافی به گردش کار یادگیری ماشینی خود مانند لایه‌های سفارشی، تلفات، مدل‌ها و بهینه‌سازها
در مورد عملکرد داخلی مدل های آنها بیشتر بدانید
برنامه های هسته API
API های TensorFlow Core دسترسی به عملکرد سطح پایین را در اکوسیستم تنسورفلو فراهم می کنند. این API انعطاف‌پذیری و کنترل بیشتری را برای ساخت مدل‌ها، برنامه‌ها و ابزارهای ML در مقایسه با APIهای سطح بالا مانند Keras فراهم می‌کند.
ساخت مدل ها و گردش کار
Core APIها معمولاً برای ساخت مدل‌ها و گردش‌های کاری یادگیری ماشینی بسیار قابل تنظیم و بهینه‌سازی شده استفاده می‌شوند. در اینجا چند روش وجود دارد که API های TensorFlow Core می توانند مدل های یادگیری ماشین و توسعه گردش کار شما را بهبود بخشند:
ساخت مدل‌ها یا لایه‌های غیر سنتی که به طور کامل با ساختارهای پشتیبانی شده توسط APIهای سطح بالا مطابقت ندارند.
ساخت لایه های سفارشی، ضررها، مدل ها و بهینه سازها در Keras
اجرای تکنیک های بهینه سازی جدید برای تسریع همگرایی در طول آموزش
ایجاد معیارهای سفارشی برای ارزیابی عملکرد
طراحی حلقه‌های آموزشی بسیار قابل تنظیم با پشتیبانی از ویژگی‌هایی مانند استراتژی‌های دسته‌بندی، اعتبارسنجی متقابل و توزیع
چارچوب ها و ابزارها را بسازید
APIهای TensorFlow Core همچنین می‌توانند به عنوان بلوک‌های سازنده چارچوب‌های سطح بالا جدید عمل کنند. در اینجا چند نمونه از ابزارها و چارچوب هایی که با API های سطح پایین ایجاد می شوند آورده شده است:
API های TensorFlow Core را می توان در خارج از حوزه یادگیری ماشین نیز اعمال کرد. در اینجا چند مورد استفاده عمومی از TensorFlow برای محاسبات علمی آورده شده است:
شبیه سازی فیزیک برای مسائل مکانیک جامدات و دینامیک سیالات
مستندات Build with Core آموزش مفاهیم اولیه یادگیری ماشین را از ابتدا ارائه می دهد. آموزش‌های این بخش به شما کمک می‌کند تا با نوشتن کدهای سطح پایین با Core API راحت باشید و سپس می‌توانید آن را در موارد استفاده پیچیده‌تر خود اعمال کنید.
تاریخ آخرین بهروزرسانی 2023-05-19 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2023-05-19 بهوقت ساعت هماهنگ جهانی."],[],[],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)."]]
