این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

مقدمه ای بر TensorFlow

TensorFlow ایجاد مدل های یادگیری ماشینی برای دسکتاپ، موبایل، وب و ابر را برای مبتدیان و متخصصان آسان می کند. برای شروع به بخش های زیر مراجعه کنید.

TensorFlow

پایه های TensorFlow را با آموزش هایی برای مبتدیان و متخصصان بیاموزید تا به شما در ایجاد پروژه یادگیری ماشین بعدی خود کمک کنند.

بیشتر بدانید

برای وب

از TensorFlow.js برای ایجاد مدل های جدید یادگیری ماشین و استقرار مدل های موجود با جاوا اسکریپت استفاده کنید.

بیشتر بدانید

برای موبایل و اج

استنتاج را با LiteRT روی دستگاه‌های تلفن همراه و جاسازی شده مانند Android، iOS، Edge TPU و Raspberry Pi اجرا کنید.

بیشتر بدانید

برای تولید

یک خط لوله ML آماده تولید برای آموزش و استنتاج با استفاده از TFX مستقر کنید.

بیشتر بدانید

داده ها را برای نتایج موفق ML آماده و بارگذاری کنید

داده ها می توانند مهم ترین عامل در موفقیت تلاش های شما برای ML باشند. TensorFlow چندین ابزار داده را برای کمک به شما در ادغام، تمیز کردن و پیش پردازش داده ها در مقیاس ارائه می دهد:

مجموعه داده های استاندارد برای آموزش اولیه و اعتبار سنجی
خطوط لوله داده بسیار مقیاس پذیر برای بارگذاری داده ها
لایه های پیش پردازش برای تبدیل های ورودی رایج
ابزارهایی برای اعتبارسنجی و تبدیل مجموعه داده های بزرگ

علاوه بر این، ابزارهای هوش مصنوعی مسئول به شما کمک می‌کنند تا سوگیری در داده‌های خود را کشف کرده و از بین ببرید تا نتایج منصفانه و اخلاقی از مدل‌های خود ایجاد کنید.

آن را در کولب امتحان کنید

یک مجموعه داده تصویر را بارگیری و پیش پردازش کنید بررسی و تجسم مجموعه داده ها

مدل‌ها را با اکوسیستم TensorFlow بسازید و تنظیم کنید

کل اکوسیستم ساخته شده بر اساس چارچوب اصلی را که ساخت، آموزش و صادرات مدل را ساده می کند، کاوش کنید. TensorFlow از آموزش توزیع شده، تکرار مدل فوری و اشکال زدایی آسان با Keras و موارد دیگر پشتیبانی می کند. ابزارهایی مانند تجزیه و تحلیل مدل و TensorBoard به شما کمک می کنند تا توسعه و بهبود را از طریق چرخه عمر مدل خود پیگیری کنید.

برای کمک به شما در شروع کار، مجموعه‌ای از مدل‌های از پیش آموزش‌دیده‌شده را در TensorFlow Hub از Google و انجمن پیدا کنید، یا پیاده‌سازی‌های مدل‌های تحقیقاتی پیشرفته را در باغ مدل پیدا کنید. این کتابخانه‌های مولفه‌های سطح بالا به شما امکان می‌دهند مدل‌های قدرتمندی بگیرید و آنها را روی داده‌های جدید تنظیم کنید یا آنها را برای انجام کارهای جدید سفارشی کنید.

آن را در کولب امتحان کنید

آموزش یک شبکه عصبی برای طبقه بندی تصاویر یک طبقه بندی کننده تصویر را با یادگیری انتقالی دوباره آموزش دهید

مدل‌ها را روی دستگاه، در مرورگر، روی پرم یا در فضای ابری مستقر کنید

TensorFlow قابلیت‌های قوی را برای استقرار مدل‌های شما در هر محیطی - سرورها، دستگاه‌های لبه‌ای، مرورگرها، موبایل، میکروکنترلرها، پردازنده‌ها، پردازنده‌های گرافیکی، و FPGA ارائه می‌کند. سرویس TensorFlow می‌تواند مدل‌های ML را در مقیاس تولید روی پیشرفته‌ترین پردازنده‌های جهان، از جمله واحدهای پردازش تنسور سفارشی Google (TPU) اجرا کند.

اگر برای کاهش تأخیر و بهبود حفظ حریم خصوصی داده‌ها نیاز به تجزیه و تحلیل داده‌های نزدیک به منبع آن دارید، چارچوب LiteRT به شما امکان می‌دهد مدل‌ها را روی دستگاه‌های تلفن همراه، دستگاه‌های محاسباتی لبه و حتی میکروکنترلرها اجرا کنید، و چارچوب TensorFlow.js به شما امکان می‌دهد یادگیری ماشینی را فقط با استفاده از آن اجرا کنید. یک مرورگر وب

آن را در کولب امتحان کنید

یک مدل را با سرویس TensorFlow سرو کنید

پیاده سازی MLOps برای تولید ML

پلت فرم TensorFlow به شما کمک می کند تا بهترین شیوه ها را برای اتوماسیون داده، ردیابی مدل، نظارت بر عملکرد و آموزش مجدد مدل پیاده سازی کنید.

استفاده از ابزارهای سطح تولید برای خودکارسازی و ردیابی آموزش مدل در طول عمر یک محصول، خدمات یا فرآیند تجاری برای موفقیت بسیار مهم است. TFX چارچوب‌های نرم‌افزاری و ابزارهایی را برای استقرار کامل MLOps فراهم می‌کند، و مشکلات را با تکامل داده‌ها و مدل‌های شما در طول زمان شناسایی می‌کند.