Perché TensorFlow
Che tu sia un esperto o un principiante, TensorFlow è una piattaforma end-to-end che semplifica la creazione e l'implementazione di modelli ML.
Un intero ecosistema per aiutarti a risolvere problemi complessi e reali con il machine learning
Facile costruzione del modello
TensorFlow offre più livelli di astrazione in modo da poter scegliere quello giusto per le tue esigenze. Crea e addestra modelli utilizzando l'API Keras di alto livello, che rende facile iniziare a utilizzare TensorFlow e il machine learning.
Se hai bisogno di maggiore flessibilità, l'esecuzione desiderosa consente l'iterazione immediata e il debug intuitivo. Per attività di addestramento ML di grandi dimensioni, utilizza l'API della strategia di distribuzione per l'addestramento distribuito su diverse configurazioni hardware senza modificare la definizione del modello.
Robusta produzione ML ovunque
TensorFlow ha sempre fornito un percorso diretto alla produzione. Che si tratti di server, dispositivi perimetrali o Web, TensorFlow ti consente di addestrare e distribuire facilmente il tuo modello, indipendentemente dalla lingua o dalla piattaforma che utilizzi.
Usa TFX se hai bisogno di una pipeline ML di produzione completa. Per eseguire l'inferenza su dispositivi mobili e perimetrali, utilizza TensorFlow Lite. Addestra e distribuisci modelli in ambienti JavaScript utilizzando TensorFlow.js.
Potente sperimentazione per la ricerca
Costruisci e addestra modelli all'avanguardia senza sacrificare la velocità o le prestazioni. TensorFlow ti offre la flessibilità e il controllo con funzionalità come l'API funzionale Keras e l'API di sottoclasse di modelli per la creazione di topologie complesse. Per una facile prototipazione e un rapido debug, usa l'esecuzione desiderosa.
TensorFlow supporta anche un ecosistema di potenti librerie e modelli aggiuntivi con cui sperimentare, tra cui Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.
Scopri come le aziende utilizzano TensorFlow
Scopri come funziona l'apprendimento automatico
Hai mai voluto sapere come funziona una rete neurale? O quali sono i passaggi per risolvere un problema di ML? Non preoccuparti, ci pensiamo noi. Di seguito è riportata una rapida panoramica dei fondamenti dell'apprendimento automatico. Oppure, se stai cercando informazioni più approfondite, vai alla nostra pagina sull'istruzione per contenuti per principianti e avanzati.
Introduzione al ml
L'apprendimento automatico è la pratica di aiutare il software a eseguire un'attività senza programmazione o regole esplicite. Con la programmazione informatica tradizionale, un programmatore specifica le regole che il computer dovrebbe utilizzare. Tuttavia, il machine learning richiede una mentalità diversa. Il machine learning nel mondo reale si concentra molto di più sull'analisi dei dati che sulla codifica. I programmatori forniscono una serie di esempi e il computer apprende i modelli dai dati. Puoi pensare all'apprendimento automatico come alla "programmazione con i dati".
Passaggi per risolvere un problema ML
Ci sono più passaggi nel processo per ottenere risposte dai dati utilizzando ML. Per una panoramica dettagliata, consulta questa guida che mostra il flusso di lavoro completo per la classificazione del testo e descrive passaggi importanti come la raccolta di un set di dati e l'addestramento e la valutazione di un modello con TensorFlow.
Anatomia di una rete neurale
Una rete neurale è un tipo di modello che può essere addestrato per riconoscere i modelli. È composto da livelli, inclusi livelli di input e output, e almeno un livello nascosto . I neuroni in ogni strato apprendono rappresentazioni sempre più astratte dei dati. Ad esempio, in questo diagramma visivo vediamo i neuroni che rilevano linee, forme e trame. Queste rappresentazioni (o caratteristiche apprese) consentono di classificare i dati.
Addestrare una rete neurale
Le reti neurali sono addestrate dalla discesa del gradiente. I pesi in ogni livello iniziano con valori casuali e questi vengono migliorati in modo iterativo nel tempo per rendere la rete più accurata. Una funzione di perdita viene utilizzata per quantificare l'imprecisione della rete e una procedura chiamata backpropagation viene utilizzata per determinare se ciascun peso deve essere aumentato o diminuito per ridurre la perdita.
La nostra comunità
La comunità TensorFlow è un gruppo attivo di sviluppatori, ricercatori, visionari, armeggiatori e risolutori di problemi. La porta è sempre aperta per contribuire, collaborare e condividere le tue idee.