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
Introducing Wake Vision: A High-Quality, Large-Scale Dataset for TinyML Computer Vision Applications
TinyML is an exciting frontier in machine learning, enabling models to run on extremely low-power devices such as microcontrollers and edge devices. However, the growth of this field has been stifled by a lack of tailored large and high-quality
TensorFlow
5 ธันวาคม ค.ศ. 2024
MLSysBook.AI: Principles and Practices of Machine Learning Systems Engineering
If ML developers are like astronauts exploring new frontiers, ML systems engineers are the rocket scientists designing and building the engines that take them there. "Everyone wants to do modeling, but no one wants to do the engineering," highlights
TensorFlow
19 พฤศจิกายน ค.ศ. 2024
Join us at the third Women in ML Symposium!
The Women in ML Symposium is an inclusive event for anyone passionate about the transformative fields of Machine Learning (ML) and Artificial Intelligence (AI). Dive into the latest advancements in generative AI, explore the intricacies of
TensorFlow
17 พฤศจิกายน ค.ศ. 2023
Get ready for Google I/O
I/O is just a few days away and we couldn’t be more excited to share the latest updates across Google’s developer products, solutions, and technologies. From keynotes to technical sessions and hands-on workshops, these announcements aim to help you
TensorFlow
27 เมษายน ค.ศ. 2023
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
Introducing Wake Vision: A High-Quality, Large-Scale Dataset for TinyML Computer Vision Applications
TinyML is an exciting frontier in machine learning, enabling models to run on extremely low-power devices such as microcontrollers and edge devices. However, the growth of this field has been stifled by a lack of tailored large and high-quality
TensorFlow
5 ธันวาคม ค.ศ. 2024
MLSysBook.AI: Principles and Practices of Machine Learning Systems Engineering
If ML developers are like astronauts exploring new frontiers, ML systems engineers are the rocket scientists designing and building the engines that take them there. "Everyone wants to do modeling, but no one wants to do the engineering," highlights
TensorFlow
19 พฤศจิกายน ค.ศ. 2024
Join us at the third Women in ML Symposium!
The Women in ML Symposium is an inclusive event for anyone passionate about the transformative fields of Machine Learning (ML) and Artificial Intelligence (AI). Dive into the latest advancements in generative AI, explore the intricacies of
TensorFlow
17 พฤศจิกายน ค.ศ. 2023
Get ready for Google I/O
I/O is just a few days away and we couldn’t be more excited to share the latest updates across Google’s developer products, solutions, and technologies. From keynotes to technical sessions and hands-on workshops, these announcements aim to help you
TensorFlow
27 เมษายน ค.ศ. 2023