ระบบนิเวศทั้งหมดเพื่อช่วยคุณแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริงด้วยการเรียนรู้ของเครื่อง
การสร้างโมเดลอย่างง่าย
TensorFlow นำเสนอสิ่งที่เป็นนามธรรมหลายระดับ เพื่อให้คุณสามารถเลือกสิ่งที่เหมาะสมกับความต้องการของคุณได้ สร้างและฝึกโมเดลโดยใช้ Keras API ระดับสูง ซึ่งทำให้การเริ่มต้นใช้งาน TensorFlow และ Machine Learning เป็นเรื่องง่าย
หากคุณต้องการความยืดหยุ่นมากขึ้น การดำเนินการที่กระตือรือร้นจะช่วยให้สามารถวนซ้ำได้ทันทีและแก้ไขจุดบกพร่องที่ใช้งานง่าย สำหรับงานการฝึกอบรม ML ขนาดใหญ่ ให้ใช้ Distribution Strategy API สำหรับการฝึกอบรมแบบกระจายบนการกำหนดค่าฮาร์ดแวร์ต่างๆ โดยไม่ต้องเปลี่ยนคำจำกัดความของโมเดล
การผลิต ML ที่แข็งแกร่งในทุกที่
TensorFlow มอบเส้นทางตรงสู่การผลิตเสมอ ไม่ว่าจะบนเซิร์ฟเวอร์ อุปกรณ์ Edge หรือเว็บ TensorFlow ช่วยให้คุณฝึกฝนและปรับใช้โมเดลของคุณได้อย่างง่ายดาย ไม่ว่าคุณจะใช้ภาษาหรือแพลตฟอร์มใดก็ตาม
ใช้ TFX หากคุณต้องการไปป์ไลน์ ML ที่ใช้งานจริงเต็มรูปแบบ สำหรับการเรียกใช้การอนุมานบนอุปกรณ์พกพาและอุปกรณ์ Edge ให้ใช้ TensorFlow Lite ฝึกฝนและปรับใช้โมเดลในสภาพแวดล้อม JavaScript โดยใช้ TensorFlow.js
การทดลองอันทรงพลังเพื่อการวิจัย
สร้างและฝึกโมเดลที่ล้ำสมัยโดยไม่สูญเสียความเร็วหรือประสิทธิภาพ TensorFlow มอบความยืดหยุ่นและการควบคุมด้วยฟีเจอร์ต่างๆ เช่น Keras Functional API และ Model Subclassing API สำหรับการสร้างโทโพโลยีที่ซับซ้อน สำหรับการสร้างต้นแบบที่ง่ายดายและการดีบักที่รวดเร็ว ให้ใช้การดำเนินการที่กระตือรือร้น
TensorFlow ยังสนับสนุนระบบนิเวศของไลบรารีและโมเดลส่วนเสริมที่มีประสิทธิภาพสำหรับการทดลองด้วย รวมถึง Ragged Tensors, TensorFlow Probability, Tensor2Tensor และ BERT
ดูว่าบริษัทต่างๆ ใช้ TensorFlow อย่างไร
เรียนรู้วิธีการทำงานของแมชชีนเลิร์นนิง
คุณเคยต้องการที่จะรู้ว่าโครงข่ายประสาทเทียมทำงานอย่างไร? หรือขั้นตอนในการแก้ปัญหา ML คืออะไร? ไม่ต้องกังวล เราช่วยคุณได้ ด้านล่างนี้คือภาพรวมโดยย่อเกี่ยวกับพื้นฐานของแมชชีนเลิร์นนิง หรือหากคุณกำลังมองหาข้อมูลเชิงลึกเพิ่มเติม ให้ไปที่หน้าการศึกษาของเราสำหรับเนื้อหาสำหรับผู้เริ่มต้นและขั้นสูง
ข้อมูลเบื้องต้นเกี่ยวกับ ML
การเรียนรู้ของเครื่องคือแนวทางปฏิบัติในการช่วยให้ซอฟต์แวร์ทำงานโดยไม่ต้องเขียนโปรแกรมหรือกฎเกณฑ์ที่ชัดเจน ด้วยการเขียนโปรแกรมคอมพิวเตอร์แบบดั้งเดิม โปรแกรมเมอร์จะระบุกฎเกณฑ์ที่คอมพิวเตอร์ควรใช้ แม้ว่า ML จะต้องมีกรอบความคิดที่แตกต่างออกไป ML ในโลกแห่งความเป็นจริงมุ่งเน้นไปที่การวิเคราะห์ข้อมูลมากกว่าการเขียนโค้ด โปรแกรมเมอร์จัดเตรียมชุดตัวอย่างและคอมพิวเตอร์จะเรียนรู้รูปแบบจากข้อมูล คุณสามารถมองการเรียนรู้ของเครื่องว่าเป็น "การเขียนโปรแกรมด้วยข้อมูล"
ขั้นตอนในการแก้ปัญหา ML
กระบวนการรับคำตอบจากข้อมูลโดยใช้ ML มีหลายขั้นตอน สำหรับภาพรวมทีละขั้นตอน โปรดดู คู่มือ นี้ซึ่งแสดงขั้นตอนการทำงานทั้งหมดสำหรับการจัดประเภทข้อความ และอธิบายขั้นตอนสำคัญ เช่น การรวบรวมชุดข้อมูล การฝึกอบรมและการประเมินโมเดลด้วย TensorFlow
กายวิภาคของโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมเป็นแบบจำลองประเภทหนึ่งที่สามารถฝึกให้จดจำรูปแบบได้ ประกอบด้วยเลเยอร์ต่างๆ รวมถึงเลเยอร์อินพุตและเอาต์พุต และ เลเยอร์ที่ซ่อนอยู่ อย่างน้อยหนึ่งเลเยอร์ เซลล์ประสาทในแต่ละเลเยอร์จะเรียนรู้การนำเสนอข้อมูลที่เป็นนามธรรมมากขึ้น ตัวอย่างเช่น ในแผนภาพภาพนี้ เราเห็นเซลล์ประสาทตรวจจับเส้น รูปร่าง และพื้นผิว การแสดงเหล่านี้ (หรือคุณลักษณะที่เรียนรู้) ทำให้สามารถจำแนกข้อมูลได้
การฝึกอบรมโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยการไล่ระดับสี น้ำหนักในแต่ละเลเยอร์เริ่มต้นด้วยค่าสุ่ม และจะมีการปรับปรุงซ้ำๆ เมื่อเวลาผ่านไปเพื่อทำให้เครือข่ายมีความแม่นยำมากขึ้น ฟังก์ชันการสูญเสียถูกใช้เพื่อระบุปริมาณความไม่ถูกต้องของเครือข่าย และใช้ขั้นตอนที่เรียกว่า backpropagation เพื่อพิจารณาว่าควรเพิ่มหรือลดน้ำหนักแต่ละรายการเพื่อลดการสูญเสีย
ชุมชนของเรา
ชุมชน TensorFlow คือกลุ่มนักพัฒนา นักวิจัย ผู้มีวิสัยทัศน์ ช่างซ่อม และผู้แก้ปัญหาที่กระตือรือร้น ประตูพร้อมเสมอที่จะมีส่วนร่วม ทำงานร่วมกัน และแบ่งปันความคิดของคุณ
ระบบนิเวศทั้งหมดเพื่อช่วยคุณแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริงด้วยการเรียนรู้ของเครื่อง
การสร้างโมเดลอย่างง่าย
TensorFlow นำเสนอสิ่งที่เป็นนามธรรมหลายระดับ เพื่อให้คุณสามารถเลือกสิ่งที่เหมาะสมกับความต้องการของคุณได้ สร้างและฝึกโมเดลโดยใช้ Keras API ระดับสูง ซึ่งทำให้การเริ่มต้นใช้งาน TensorFlow และ Machine Learning เป็นเรื่องง่าย
หากคุณต้องการความยืดหยุ่นมากขึ้น การดำเนินการที่กระตือรือร้นจะช่วยให้สามารถวนซ้ำได้ทันทีและแก้ไขจุดบกพร่องที่ใช้งานง่าย สำหรับงานการฝึกอบรม ML ขนาดใหญ่ ให้ใช้ Distribution Strategy API สำหรับการฝึกอบรมแบบกระจายบนการกำหนดค่าฮาร์ดแวร์ต่างๆ โดยไม่ต้องเปลี่ยนคำจำกัดความของโมเดล
การผลิต ML ที่แข็งแกร่งในทุกที่
TensorFlow มอบเส้นทางตรงสู่การผลิตเสมอ ไม่ว่าจะบนเซิร์ฟเวอร์ อุปกรณ์ Edge หรือเว็บ TensorFlow ช่วยให้คุณฝึกฝนและปรับใช้โมเดลของคุณได้อย่างง่ายดาย ไม่ว่าคุณจะใช้ภาษาหรือแพลตฟอร์มใดก็ตาม
ใช้ TFX หากคุณต้องการไปป์ไลน์ ML ที่ใช้งานจริงเต็มรูปแบบ สำหรับการเรียกใช้การอนุมานบนอุปกรณ์พกพาและอุปกรณ์ Edge ให้ใช้ TensorFlow Lite ฝึกฝนและปรับใช้โมเดลในสภาพแวดล้อม JavaScript โดยใช้ TensorFlow.js
การทดลองอันทรงพลังเพื่อการวิจัย
สร้างและฝึกโมเดลที่ล้ำสมัยโดยไม่สูญเสียความเร็วหรือประสิทธิภาพ TensorFlow มอบความยืดหยุ่นและการควบคุมด้วยฟีเจอร์ต่างๆ เช่น Keras Functional API และ Model Subclassing API สำหรับการสร้างโทโพโลยีที่ซับซ้อน สำหรับการสร้างต้นแบบที่ง่ายดายและการดีบักที่รวดเร็ว ให้ใช้การดำเนินการที่กระตือรือร้น
TensorFlow ยังสนับสนุนระบบนิเวศของไลบรารีและโมเดลส่วนเสริมที่มีประสิทธิภาพสำหรับการทดลองด้วย รวมถึง Ragged Tensors, TensorFlow Probability, Tensor2Tensor และ BERT
ดูว่าบริษัทต่างๆ ใช้ TensorFlow อย่างไร
เรียนรู้วิธีการทำงานของแมชชีนเลิร์นนิง
คุณเคยต้องการที่จะรู้ว่าโครงข่ายประสาทเทียมทำงานอย่างไร? หรือขั้นตอนในการแก้ปัญหา ML คืออะไร? ไม่ต้องกังวล เราช่วยคุณได้ ด้านล่างนี้คือภาพรวมโดยย่อเกี่ยวกับพื้นฐานของแมชชีนเลิร์นนิง หรือหากคุณกำลังมองหาข้อมูลเชิงลึกเพิ่มเติม ให้ไปที่หน้าการศึกษาของเราสำหรับเนื้อหาสำหรับผู้เริ่มต้นและขั้นสูง
ข้อมูลเบื้องต้นเกี่ยวกับ ML
การเรียนรู้ของเครื่องคือแนวทางปฏิบัติในการช่วยให้ซอฟต์แวร์ทำงานโดยไม่ต้องเขียนโปรแกรมหรือกฎเกณฑ์ที่ชัดเจน ด้วยการเขียนโปรแกรมคอมพิวเตอร์แบบดั้งเดิม โปรแกรมเมอร์จะระบุกฎเกณฑ์ที่คอมพิวเตอร์ควรใช้ แม้ว่า ML จะต้องมีกรอบความคิดที่แตกต่างออกไป ML ในโลกแห่งความเป็นจริงมุ่งเน้นไปที่การวิเคราะห์ข้อมูลมากกว่าการเขียนโค้ด โปรแกรมเมอร์จัดเตรียมชุดตัวอย่างและคอมพิวเตอร์จะเรียนรู้รูปแบบจากข้อมูล คุณสามารถมองการเรียนรู้ของเครื่องว่าเป็น "การเขียนโปรแกรมด้วยข้อมูล"
ขั้นตอนในการแก้ปัญหา ML
กระบวนการรับคำตอบจากข้อมูลโดยใช้ ML มีหลายขั้นตอน สำหรับภาพรวมทีละขั้นตอน โปรดดู คู่มือ นี้ซึ่งแสดงขั้นตอนการทำงานทั้งหมดสำหรับการจัดประเภทข้อความ และอธิบายขั้นตอนสำคัญ เช่น การรวบรวมชุดข้อมูล การฝึกอบรมและการประเมินโมเดลด้วย TensorFlow
กายวิภาคของโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมเป็นแบบจำลองประเภทหนึ่งที่สามารถฝึกให้จดจำรูปแบบได้ ประกอบด้วยเลเยอร์ต่างๆ รวมถึงเลเยอร์อินพุตและเอาต์พุต และ เลเยอร์ที่ซ่อนอยู่ อย่างน้อยหนึ่งเลเยอร์ เซลล์ประสาทในแต่ละเลเยอร์จะเรียนรู้การนำเสนอข้อมูลที่เป็นนามธรรมมากขึ้น ตัวอย่างเช่น ในแผนภาพภาพนี้ เราเห็นเซลล์ประสาทตรวจจับเส้น รูปร่าง และพื้นผิว การแสดงเหล่านี้ (หรือคุณลักษณะที่เรียนรู้) ทำให้สามารถจำแนกข้อมูลได้
การฝึกอบรมโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยการไล่ระดับสี น้ำหนักในแต่ละเลเยอร์เริ่มต้นด้วยค่าสุ่ม และจะมีการปรับปรุงซ้ำๆ เมื่อเวลาผ่านไปเพื่อทำให้เครือข่ายมีความแม่นยำมากขึ้น ฟังก์ชันการสูญเสียถูกใช้เพื่อระบุปริมาณความไม่ถูกต้องของเครือข่าย และใช้ขั้นตอนที่เรียกว่า backpropagation เพื่อพิจารณาว่าควรเพิ่มหรือลดน้ำหนักแต่ละรายการเพื่อลดการสูญเสีย
ชุมชนของเรา
ชุมชน TensorFlow คือกลุ่มนักพัฒนา นักวิจัย ผู้มีวิสัยทัศน์ ช่างซ่อม และผู้แก้ปัญหาที่กระตือรือร้น ประตูพร้อมเสมอที่จะมีส่วนร่วม ทำงานร่วมกัน และแบ่งปันความคิดของคุณ