למה TensorFlow
בין אם אתה מומחה או מתחיל, TensorFlow היא פלטפורמה מקצה לקצה שמקלה עליך לבנות ולפרוס מודלים של ML.
מערכת אקולוגית שלמה שתעזור לך לפתור בעיות מאתגרות בעולם האמיתי עם למידת מכונה
בניית דגמים קלה
TensorFlow מציעה רמות הפשטה מרובות כך שתוכל לבחור את האחת המתאימה לצרכים שלך. בנה והכשרת מודלים על ידי שימוש ב-Keras API ברמה גבוהה, מה שמקל על תחילת העבודה עם TensorFlow ולמידת מכונה.
אם אתה צריך יותר גמישות, ביצוע נלהב מאפשר איטרציה מיידית וניפוי באגים אינטואיטיבי. עבור משימות הדרכה גדולות של ML, השתמש ב-API של אסטרטגיית הפצה להדרכה מבוזרת על תצורות חומרה שונות מבלי לשנות את הגדרת הדגם.
ייצור ML חזק בכל מקום
TensorFlow תמיד סיפקה נתיב ישיר לייצור. בין אם זה בשרתים, במכשירי קצה או באינטרנט, TensorFlow מאפשר לך לאמן ולפרוס את המודל שלך בקלות, לא משנה באיזו שפה או פלטפורמה אתה משתמש.
השתמש ב-TFX אם אתה צריך צינור ML ייצור מלא. להרצת מסקנות על מכשירים ניידים וקצה, השתמש ב- TensorFlow Lite. אימון ופריסה של מודלים בסביבות JavaScript באמצעות TensorFlow.js.
ניסוי רב עוצמה למחקר
בנה ואמן דגמים חדישים מבלי לוותר על מהירות או ביצועים. TensorFlow נותן לך את הגמישות והשליטה עם תכונות כמו Keras Functional API ו-Model Subclassing API ליצירת טופולוגיות מורכבות. ליצירת אב טיפוס קל וניפוי באגים מהיר, השתמש בביצוע נלהב.
TensorFlow תומך גם במערכת אקולוגית של ספריות תוספים ומודלים רבי עוצמה להתנסות בהם, כולל Ragged Tensors, TensorFlow Probability, Tensor2Tensor ו-BERT.
ראה כיצד חברות משתמשות ב-TensorFlow
למד כיצד עובדת למידת מכונה
האם אי פעם רצית לדעת איך עובדת רשת עצבית? או מה השלבים לפתרון בעיית ML? אל תדאג, אנחנו מכוסים אותך. להלן סקירה מהירה של היסודות של למידת מכונה. לחלופין, אם אתה מחפש מידע מעמיק יותר, עבור לדף החינוך שלנו לתוכן למתחילים ומתקדמים.
מבוא ל-ML
למידת מכונה היא תרגול של עזרה לתוכנה לבצע משימה ללא תכנות או כללים מפורשים. עם תכנות מחשב מסורתי, מתכנת מציין כללים שהמחשב צריך להשתמש בהם. עם זאת, ML דורש חשיבה שונה. ML בעולם האמיתי מתמקד הרבה יותר בניתוח נתונים מאשר בקידוד. מתכנתים מספקים סט של דוגמאות והמחשב לומד דפוסים מהנתונים. אתה יכול לחשוב על למידת מכונה כעל "תכנות עם נתונים".
שלבים לפתרון בעיית ML
ישנם מספר שלבים בתהליך קבלת תשובות מנתונים באמצעות ML. לסקירה שלב אחר שלב, עיין במדריך זה המציג את זרימת העבודה המלאה לסיווג טקסט, ומתאר שלבים חשובים כמו איסוף מערך נתונים, והדרכה והערכה של מודל עם TensorFlow.
אנטומיה של רשת עצבית
רשת עצבית היא סוג של מודל שניתן לאמן לזהות דפוסים. הוא מורכב משכבות, כולל שכבות קלט ופלט, ולפחות שכבה אחת נסתרת . נוירונים בכל שכבה לומדים ייצוגים מופשטים יותר ויותר של הנתונים. לדוגמה, בתרשים חזותי זה אנו רואים נוירונים שמזהים קווים, צורות ומרקמים. ייצוגים אלו (או תכונות נלמדות) מאפשרים לסווג את הנתונים.
אימון רשת נוירונים
רשתות עצביות מאומנות על ידי ירידה בשיפוע. המשקולות בכל שכבה מתחילות בערכים אקראיים, ואלה משתפרים באופן איטרטיבי לאורך זמן כדי להפוך את הרשת למדויקת יותר. פונקציית אובדן משמשת כדי לכמת עד כמה הרשת אינה מדויקת, ונוהל שנקרא התפשטות לאחור משמש כדי לקבוע אם יש להעלות או להפחית כל משקל כדי להפחית את הירידה.
הקהילה שלנו
קהילת TensorFlow היא קבוצה פעילה של מפתחים, חוקרים, אנשי חזון, מתעסקים ופותרי בעיות. הדלת תמיד פתוחה לתרום, לשתף פעולה ולשתף את הרעיונות שלך.
למה TensorFlow
בין אם אתה מומחה או מתחיל, TensorFlow היא פלטפורמה מקצה לקצה שמקלה עליך לבנות ולפרוס מודלים של ML.
מערכת אקולוגית שלמה שתעזור לך לפתור בעיות מאתגרות בעולם האמיתי עם למידת מכונה
בניית דגמים קלה
TensorFlow מציעה רמות הפשטה מרובות כך שתוכל לבחור את האחת המתאימה לצרכים שלך. בנה והכשרת מודלים על ידי שימוש ב-Keras API ברמה גבוהה, מה שמקל על תחילת העבודה עם TensorFlow ולמידת מכונה.
אם אתה צריך יותר גמישות, ביצוע נלהב מאפשר איטרציה מיידית וניפוי באגים אינטואיטיבי. עבור משימות אימון גדולות של ML, השתמש ב-API של אסטרטגיית הפצה להדרכה מבוזרת על תצורות חומרה שונות מבלי לשנות את הגדרת המודל.
ייצור ML חזק בכל מקום
TensorFlow תמיד סיפקה נתיב ישיר לייצור. בין אם זה בשרתים, במכשירי קצה או באינטרנט, TensorFlow מאפשר לך לאמן ולפרוס את המודל שלך בקלות, לא משנה באיזו שפה או פלטפורמה אתה משתמש.
השתמש ב-TFX אם אתה צריך צינור ML ייצור מלא. להרצת מסקנות על מכשירים ניידים וקצה, השתמש ב- TensorFlow Lite. אימון ופריסה של מודלים בסביבות JavaScript באמצעות TensorFlow.js.
ניסוי רב עוצמה למחקר
בנה ואמן דגמים חדישים מבלי לוותר על מהירות או ביצועים. TensorFlow נותן לך את הגמישות והשליטה עם תכונות כמו Keras Functional API ו-Model Subclassing API ליצירת טופולוגיות מורכבות. ליצירת אב טיפוס קל וניפוי באגים מהיר, השתמש בביצוע נלהב.
TensorFlow תומך גם במערכת אקולוגית של ספריות תוספים ומודלים רבי עוצמה להתנסות בהם, כולל Ragged Tensors, TensorFlow Probability, Tensor2Tensor ו-BERT.
ראה כיצד חברות משתמשות ב-TensorFlow
למד כיצד עובדת למידת מכונה
האם אי פעם רצית לדעת איך עובדת רשת עצבית? או מה השלבים לפתרון בעיית ML? אל תדאג, אנחנו מכוסים אותך. להלן סקירה מהירה של היסודות של למידת מכונה. לחלופין, אם אתה מחפש מידע מעמיק יותר, עבור לדף החינוך שלנו לתוכן למתחילים ומתקדמים.
מבוא ל-ML
למידת מכונה היא תרגול של עזרה לתוכנה לבצע משימה ללא תכנות או כללים מפורשים. עם תכנות מחשב מסורתי, מתכנת מציין כללים שהמחשב צריך להשתמש בהם. עם זאת, ML דורש חשיבה שונה. ML בעולם האמיתי מתמקד הרבה יותר בניתוח נתונים מאשר בקידוד. מתכנתים מספקים סט של דוגמאות והמחשב לומד דפוסים מהנתונים. אתה יכול לחשוב על למידת מכונה כעל "תכנות עם נתונים".
שלבים לפתרון בעיית ML
ישנם מספר שלבים בתהליך קבלת תשובות מנתונים באמצעות ML. לסקירה שלב אחר שלב, עיין במדריך זה המציג את זרימת העבודה המלאה לסיווג טקסט, ומתאר שלבים חשובים כמו איסוף מערך נתונים, והדרכה והערכה של מודל עם TensorFlow.
אנטומיה של רשת עצבית
רשת עצבית היא סוג של מודל שניתן לאמן לזהות דפוסים. הוא מורכב משכבות, כולל שכבות קלט ופלט, ולפחות שכבה אחת נסתרת . נוירונים בכל שכבה לומדים ייצוגים מופשטים יותר ויותר של הנתונים. לדוגמה, בתרשים חזותי זה אנו רואים נוירונים שמזהים קווים, צורות ומרקמים. ייצוגים אלו (או תכונות נלמדות) מאפשרים לסווג את הנתונים.
אימון רשת עצבית
רשתות עצביות מאומנות על ידי ירידה בשיפוע. המשקולות בכל שכבה מתחילות בערכים אקראיים, ואלה משתפרים באופן איטרטיבי לאורך זמן כדי להפוך את הרשת למדויקת יותר. פונקציית אובדן משמשת כדי לכמת עד כמה הרשת אינה מדויקת, ונוהל שנקרא התפשטות לאחור משמש כדי לקבוע אם יש להעלות או להפחית כל משקל כדי להפחית את הירידה.
הקהילה שלנו
קהילת TensorFlow היא קבוצה פעילה של מפתחים, חוקרים, אנשי חזון, מתעסקים ופותרי בעיות. הדלת תמיד פתוחה לתרום, לשתף פעולה ולשתף את הרעיונות שלך.