ระบบนิเวศทั้งหมดที่จะช่วยคุณแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริงด้วยแมชชีนเลิร์นนิง
การสร้างแบบจำลองอย่างง่าย
TensorFlow นำเสนอสิ่งที่เป็นนามธรรมหลายระดับ ดังนั้นคุณจึงสามารถเลือกระดับที่เหมาะสมกับความต้องการของคุณได้ สร้างและฝึกโมเดลโดยใช้ Keras API ระดับสูง ซึ่งทำให้การเริ่มต้นใช้งาน TensorFlow และแมชชีนเลิร์นนิงเป็นเรื่องง่าย
หากคุณต้องการความยืดหยุ่นมากขึ้น การดำเนินการอย่างกระตือรือร้นจะช่วยให้ทำซ้ำได้ทันทีและแก้ไขจุดบกพร่องได้ง่าย สำหรับงานฝึกอบรม ML ขนาดใหญ่ ให้ใช้ Distribution Strategy API สำหรับการฝึกอบรมแบบกระจายในการกำหนดค่าฮาร์ดแวร์ต่างๆ โดยไม่ต้องเปลี่ยนการกำหนดโมเดล
การผลิต ML ที่ทนทานได้ทุกที่
TensorFlow เป็นเส้นทางตรงสู่การผลิตเสมอ ไม่ว่าจะเป็นบนเซิร์ฟเวอร์ อุปกรณ์ Edge หรือเว็บ TensorFlow ช่วยให้คุณฝึกและปรับใช้โมเดลของคุณได้อย่างง่ายดาย ไม่ว่าคุณจะใช้ภาษาหรือแพลตฟอร์มใดก็ตาม
ใช้ TFX หากคุณต้องการไปป์ไลน์ ML ที่ใช้งานจริงเต็มรูปแบบ สำหรับการเรียกใช้การอนุมานบนอุปกรณ์พกพาและอุปกรณ์ Edge ให้ใช้ TensorFlow Lite ฝึกฝนและปรับใช้โมเดลในสภาพแวดล้อม JavaScript โดยใช้ TensorFlow.js
การทดลองที่มีประสิทธิภาพสำหรับการวิจัย
สร้างและฝึกโมเดลล้ำสมัยโดยไม่สูญเสียความเร็วหรือประสิทธิภาพ TensorFlow มอบความยืดหยุ่นและการควบคุมด้วยฟีเจอร์ต่างๆ เช่น Keras Functional API และ Model Subclassing API สำหรับการสร้างโทโพโลยีที่ซับซ้อน สำหรับการสร้างต้นแบบที่ง่ายดายและการดีบักที่รวดเร็ว ให้ใช้การดำเนินการที่กระตือรือร้น
TensorFlow ยังรองรับระบบนิเวศของไลบรารีและโมเดลส่วนเสริมอันทรงพลังเพื่อทดลองด้วย ซึ่งรวมถึง Ragged Tensors, TensorFlow Probability, Tensor2Tensor และ BERT
ดูว่าบริษัทต่างๆ ใช้ TensorFlow อย่างไร
เรียนรู้วิธีการทำงานของแมชชีนเลิร์นนิง
คุณเคยอยากรู้ไหมว่าโครงข่ายประสาทเทียมทำงานอย่างไร? หรือมีขั้นตอนอย่างไรในการแก้ปัญหา ML? ไม่ต้องกังวล เราช่วยคุณได้ ด้านล่างนี้คือภาพรวมคร่าวๆ ของพื้นฐานของการเรียนรู้ของเครื่อง หรือถ้าคุณกำลังมองหาข้อมูลเชิงลึกเพิ่มเติม ให้ไปที่หน้าการศึกษาของเราสำหรับเนื้อหาสำหรับผู้เริ่มต้นและขั้นสูง
แนะนำ ม.ล
แมชชีนเลิร์นนิงคือการช่วยให้ซอฟต์แวร์ทำงานโดยไม่ต้องตั้งโปรแกรมหรือกฎที่ชัดเจน ด้วยการเขียนโปรแกรมคอมพิวเตอร์แบบดั้งเดิม โปรแกรมเมอร์จะระบุกฎที่คอมพิวเตอร์ควรใช้ ML ต้องการความคิดที่แตกต่างออกไป ML ในโลกแห่งความเป็นจริงให้ความสำคัญกับการวิเคราะห์ข้อมูลมากกว่าการเข้ารหัส โปรแกรมเมอร์ให้ชุดตัวอย่างและคอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูล คุณอาจคิดว่าแมชชีนเลิร์นนิงเป็น "การเขียนโปรแกรมด้วยข้อมูล"
ขั้นตอนในการแก้ปัญหา ML
มีหลายขั้นตอนในกระบวนการรับคำตอบจากข้อมูลโดยใช้ ML สำหรับภาพรวมทีละขั้นตอน โปรดดู คู่มือ นี้ที่แสดงเวิร์กโฟลว์ที่สมบูรณ์สำหรับการจัดประเภทข้อความ และอธิบายขั้นตอนสำคัญ เช่น การรวบรวมชุดข้อมูล ตลอดจนการฝึกและการประเมินโมเดลด้วย TensorFlow
กายวิภาคของเครือข่ายประสาท
โครงข่ายประสาทเทียมเป็นแบบจำลองประเภทหนึ่งที่สามารถฝึกฝนให้จดจำรูปแบบได้ ประกอบด้วยเลเยอร์ ได้แก่ เลเยอร์อินพุตและเอาท์พุต และ เลเยอร์ที่ซ่อนอยู่ อย่างน้อยหนึ่งเลเยอร์ เซลล์ประสาทในแต่ละชั้นเรียนรู้การแสดงข้อมูลที่เป็นนามธรรมมากขึ้นเรื่อยๆ ตัวอย่างเช่น ในแผนภาพนี้ เราเห็นเซลล์ประสาทตรวจจับเส้น รูปร่าง และพื้นผิว การเป็นตัวแทน (หรือคุณสมบัติที่เรียนรู้) เหล่านี้ทำให้สามารถจำแนกข้อมูลได้
การฝึกอบรมโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยการไล่ระดับสี น้ำหนักในแต่ละเลเยอร์จะเริ่มต้นด้วยค่าสุ่ม และค่าเหล่านี้จะได้รับการปรับปรุงซ้ำๆ ตลอดเวลาเพื่อให้เครือข่ายมีความแม่นยำมากขึ้น ฟังก์ชันการสูญเสียถูกใช้เพื่อวัดปริมาณเครือข่ายที่ไม่ถูกต้อง และกระบวนการที่เรียกว่า backpropagation ใช้เพื่อกำหนดว่าน้ำหนักแต่ละรายการควรเพิ่มหรือลดลง เพื่อลดการสูญเสีย
ชุมชนของเรา
ชุมชน TensorFlow เป็นกลุ่มนักพัฒนา นักวิจัย ผู้มีวิสัยทัศน์ ช่างซ่อม และนักแก้ปัญหา ประตูเปิดอยู่เสมอเพื่อมีส่วนร่วม ทำงานร่วมกัน และแบ่งปันความคิดของคุณ