Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Why TensorFlow
Que vous soyez expert ou débutant, TensorFlow est une plate-forme de bout en bout qui facilite la création et le déploiement de modèles de machine learning.
Création de modèles facilitée
TensorFlow propose différents niveaux d'abstraction. À vous de choisir celui qui correspond à vos besoins. Créez et entraînez des modèles avec l'API de haut niveau Keras, qui simplifie la prise en main de TensorFlow et du machine learning.
S'il vous faut davantage de flexibilité, l'exécution eager permet de bénéficier d'itérations immédiates et d'un débogage intuitif. Pour des tâches d'entraînement plus importantes, utilisez l'API Distribution Strategy, qui permet d'effectuer des entraînements répartis sur différentes configurations matérielles sans modifier la définition du modèle.
Une production de machine learning fiable en tout lieu
TensorFlow a toujours privilégié une approche axée sur le passage en production. Que ce soit sur des serveurs, des appareils de périphérie ou sur le Web, TensorFlow vous permet d'entraîner et de déployer votre modèle facilement, quelles que soient la langue et la plate-forme utilisées.
Optez pour TFX si vous avez besoin d'un pipeline de machine learning complet pour la production. Pour exécuter des inférences sur des appareils mobiles ou de périphérie, utilisez TensorFlow Lite. Entraînez et déployez des modèles dans des environnements JavaScript avec TensorFlow.js.
Des expérimentations probantes pour la recherche
Créez et entraînez des modèles de pointe sans compromis sur la vitesse ni les performances. TensorFlow vous offre davantage de flexibilité et de contrôle grâce à des fonctionnalités telles que l'API fonctionnelle de Keras et l'API de sous-classification de modèle pour la création de topologies complexes. Pour un prototypage facile et un débogage rapide, privilégiez l'exécution eager.
TensorFlow est également compatible avec tout un écosystème de modules complémentaires, de bibliothèques et de modèles à essayer, dont Ragged Tensors, TensorFlow Probability, Tensor2Tensor et BERT.
Introduction au machine learning
Étapes pour résoudre un problème de machine learning
Anatomie d'un réseau de neurones
Entraîner un réseau de neurones
Introduction au machine learning
Le machine learning est une méthode permettant à des logiciels d'effectuer certaines tâches sans programmation ni règles explicites. En programmation traditionnelle, les règles à suivre par l'ordinateur sont spécifiées. Le machine learning suppose une autre approche. Appliquée au monde réel, cette méthode repose bien moins sur le codage que sur l'analyse de données. Les programmateurs fournissent des ensembles d'exemples permettant à l'ordinateur d'apprendre à y reconnaître des caractéristiques récurrentes. Le machine learning s'apparente ainsi à une "programmation basée sur des données".
Étapes pour résoudre un problème de machine learning
Plusieurs étapes sont nécessaires pour analyser des données à l'aide de techniques de machine learning. Pour une présentation détaillée, consultez ce guide , qui explique l'intégralité du workflow pour la classification de texte, et décrit les opérations importantes telles que la constitution d'un ensemble de données, ainsi que l'entraînement et l'évaluation d'un modèle avec TensorFlow.
Anatomie d'un réseau de neurones
Un réseau de neurones est un type de modèle qui peut être entraîné à reconnaître des caractéristiques récurrentes dans des ensembles de données. Il est constitué de couches, y compris des couches d'entrée et de sortie, et d'au moins une couche cachée . Les neurones de chaque couche apprennent des représentations de plus en plus abstraites des données. Par exemple, dans ce diagramme, nous voyons que des neurones détectent des lignes, des formes et des textures. Ces représentations (ou caractéristiques apprises) sont indispensables à la classification des données.
Entraîner un réseau de neurones
L'entraînement des réseaux de neurones s'effectue par descente de gradient. Des pondérations sont initialement attribuées à chaque couche de façon aléatoire, puis leurs valeurs sont progressivement améliorées pour améliorer la précision du réseau de neurones. Une fonction de perte est utilisée pour évaluer l'impression du réseau de neurones. Une procédure appelée rétropropagation permet ensuite de déterminer les pondérations à augmenter ou à diminuer pour réduire la perte.
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Il n'y a pas l'information dont j'ai besoin"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Trop compliqué/Trop d'étapes"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Obsolète"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problème de traduction"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Mauvais exemple/Erreur de code"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Autre"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Facile à comprendre"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"J'ai pu résoudre mon problème"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Autre"
}]
