ממשקי ה-API של TensorFlow Core מספקים קבוצה של ממשקי API ברמה נמוכה, מקיפים, ניתנים להרחבה לחישובים בעלי ביצועים גבוהים (מבוזרים ומואצים), שמטרתם בעיקר לבנות מודלים של למידת מכונה (ML), כמו גם יצירת כלים ומסגרות של זרימת עבודה של ML בתוך פלטפורמת TensorFlow. ממשקי API אלה מספקים בסיס ליצירת מודלים ניתנים להגדרה עם שליטה עדינה ומסגרות חדשות מהיסוד.
ניתן להשתמש ב-Core APIs כחלופה לממשקי API של למידת מכונה ברמה גבוהה כמו Keras. ממשקי API ברמה גבוהה אלה מתאימים ביותר לצרכי למידת מכונה כללית. הם מציעים מגוון מודולים שמפשטים את המורכבות של ML תוך שהם מציעים פונקציונליות להתאמה אישית באמצעות סיווג משנה. אם אתה מחפש סקירה כללית של TensorFlow באמצעות Keras, עיין בסעיפים Quickstarts ו-Keras במדריכים .
מי צריך להשתמש ב-Core APIs
ממשקי API ברמה נמוכה של TensorFlow Core תוכננו תוך מחשבה על מפתחי ה-ML הבאים:
- חוקרים בונים מודלים מורכבים עם רמות גבוהות של התאמה
- מפתחים המעוניינים להשתמש ב- TensorFlow כפלטפורמת מחשוב מדעי בעלת ביצועים גבוהים
- מחברי מסגרת בונים כלים על גבי פלטפורמת TensorFlow
- משתמשי API ברמה גבוהה המעוניינים ב:
- הוספת פונקציונליות נוספת לזרימות העבודה של למידת המכונה שלהם, כגון שכבות מותאמות אישית, הפסדים, מודלים ואופטימיזציה
- ללמוד עוד על פעולתם הפנימית של הדגמים שלהם
יישומי ליבה של API
ממשקי ה-API של TensorFlow Core מספקים גישה לפונקציונליות ברמה נמוכה בתוך המערכת האקולוגית של TensorFlow. API זה מספק יותר גמישות ובקרה לבניית מודלים, יישומים וכלים של ML, בהשוואה לממשקי API ברמה גבוהה, כגון Keras.
בניית מודלים ותהליכי עבודה
ה-Core APIs משמשים לרוב לבניית מודלים וזרימות עבודה של למידת מכונה הניתנים להתאמה אישית ואופטימלית. הנה כמה מהדרכים שבהן ממשקי ה-API של TensorFlow Core יכולים לשפר את מודלים של למידת מכונה ופיתוח זרימת עבודה:
- בניית מודלים או שכבות לא מסורתיים שאינם מתאימים במלואם למבנים הנתמכים על ידי ממשקי API ברמה גבוהה
- בניית שכבות, הפסדים, מודלים ואופטימיזציה מותאמים אישית בתוך Keras
- הטמעת טכניקות אופטימיזציה חדשות כדי לזרז את ההתכנסות במהלך האימון
- יצירת מדדים מותאמים אישית להערכת ביצועים
- עיצוב לולאות אימון הניתנות להגדרה גבוהה עם תמיכה בתכונות כמו אצווה, אימות צולב ואסטרטגיות הפצה
בניית מסגרות וכלים
ממשקי ה-API של TensorFlow Core יכולים לשמש גם כאבני הבניין למסגרות חדשות ברמה גבוהה. הנה כמה דוגמאות לכלים ומסגרות שנוצרו עם ממשקי API ברמה נמוכה: 
- קרס : למידה עמוקה לבני אדם
- TensorFlow Model Optimization Toolkit : חבילת כלים לייעול מודלים של ML לפריסה וביצוע
- TensorFlow Graphics : ספרייה להפיכת פונקציות גרפיות שימושיות לנגישות נרחבות
בנה עבור מחשוב מדעי
ניתן ליישם את ממשקי ה-API של TensorFlow Core גם מחוץ לתחום למידת מכונה. להלן מספר מקרי שימוש לשימוש כללי של TensorFlow עבור מחשוב מדעי: 
- סימולציות פיזיקה למכניקת מוצק ודינמיקת נוזלים
- יישומי עיבוד גרפי כמו מעקב אחר קרניים
- פתרון בעיות אופטימיזציה מוגבלות
רכיבי ליבה של API
להלן כמה מהרכיבים הבסיסיים המרכיבים את ממשקי ה-API ברמה נמוכה של TensorFlow Core. שימו לב שזו לא רשימה מקיפה:
- מבני נתונים:
tf.Tensor,tf.Variable,tf.TensorArray - ממשקי API פרימיטיביים:
tf.shape, slicing ,tf.concat,tf.bitwise - מספרי:
tf.math,tf.linalg,tf.random - רכיבים פונקציונליים:
tf.function,tf.GradientTape - הפצה: DTensor
- ייצוא:
tf.saved_model
הצעדים הבאים
התיעוד של Build with Core מספק הדרכות למושגים בסיסיים של למידת מכונה מאפס. המדריכים בסעיף זה עוזרים לך להרגיש בנוח עם כתיבת קוד ברמה נמוכה עם ממשקי API של Core שאותם תוכל להחיל על מקרי שימוש מורכבים יותר משלך.
כדי להתחיל להשתמש וללמוד יותר על ממשקי ה-API של Core, עיין ב- Quickstart for TensorFlow Core .