تينسورفلو

الميزات والمفاهيم الرئيسية

تتمحور بنية TensorFlow حول العديد من المبادئ الأساسية التي تجعلها أداة قوية للتعلم العميق (DL) والحسابات العددية الأخرى.

• الرسوم البيانية الحسابية: يستخدم TensorFlow تقليديًا رسمًا بيانيًا حسابيًا ثابتًا لتحديد العمليات. في حين أن الإصدارات الحديثة تستخدم Eager Exececution افتراضيًا للحصول على إحساس أكثر سهولة وبديهية في Pythonic، يظل النموذج القائم على الرسم البياني أمرًا بالغ الأهمية للتحسين والنشر. تسمح هذه البنية لإطار العمل بتجميع العمليات الحسابية وتحسينها من أجل التنفيذ الفعال على أجهزة مثل وحدات معالجة الرسومات ووحدات معالجة الرسوميات.
• الموتر: بنية البيانات الأساسية في TensorFlow هي "الموتر"، وهي مصفوفة متعددة الأبعاد. يتم تمثيل جميع البيانات، من صور الإدخال إلى أوزان النموذج، على شكل موتر.
• قابلية التوسع: تم تصميم إطار العمل للتدريب والاستدلال الموزع على نطاق واسع. يمكن تشغيله على وحدات المعالجة المركزية الفردية أو مجموعات وحدات معالجة الرسومات أو مسرعات الأجهزة المتخصصة، مما يجعله مناسبًا لبيئات البحث والإنتاج على حد سواء.
• نظام بيئي شامل: TensorFlow أكثر من مجرد مكتبة. فهي تشتمل على أدوات مثل TensorBoard لتصور مقاييس التدريب، و TensorFlow Serving لعرض النماذج عالية الأداء، و TensorFlow Lite لنشر النماذج على الأجهزة المحمولة والمضمنة.

تينسور فلو مقابل الأطر الأخرى

TensorFlow هو أحد أطر التعلم العميق الأكثر شيوعًا، ولكنه يتعايش مع أطر أخرى مثل PyTorch و Keras.

• TensorFlow مقابل PyTorch: هذه هي المقارنة الأكثر شيوعًا في مجتمع التعلم الآلي. فبينما كان TensorFlow، بأدواته القوية لنشر النماذج وإنتاجها، مفضلاً تاريخياً للتطبيقات الصناعية، غالباً ما يتم الإشادة ب PyTorch لبساطته وسهولة استخدامه في البحث. ومع ذلك، مع تقديم Eager Execution، أصبح TensorFlow أكثر سهولة في الاستخدام، مما أدى إلى تضييق الفجوة. غالبًا ما يعود الاختيار إلى الإلمام بالنظام البيئي ومتطلبات المشروع المحددة.
• TensorFlow و Keras: Keras هو عبارة عن برنامج عالي المستوى الشبكات العصبية التي أصبحت الآن واجهة برمجة التطبيقات الرسمية عالية المستوى ل TensorFlow. وهي توفر واجهة أبسط وأكثر بديهية لبناء النماذج، مع تجريد الكثير من التعقيدات الأساسية. بالنسبة لمعظم المطورين، بناء النماذج في TensorFlow يعني استخدام tf.keras واجهة برمجة التطبيقات (API).

التطبيقات والأمثلة

يُعد TensorFlow متعدد الاستخدامات ويُستخدم في العديد من المجالات:

• الرؤية الحاسوبية (CV): يعمل على تشغيل تطبيقات مثل تصنيف الصور واكتشاف الأجسام وتجزئة الصور. على سبيل المثال، تستخدم Google تطبيق TensorFlow لمعالجة الصور في Google Street View لتحليل الصور البانورامية وتجميعها معًا.
• معالجة اللغة الطبيعية (NLP): تُستخدم لمهام مثل تحليل المشاعر والترجمة الآلية وبناء نماذج لغوية كبيرة مثل BERT. كانت خوارزمية البحث RankBrain من Google، التي تساعد في تفسير استعلامات البحث، من أوائل عمليات النشر واسعة النطاق لـ TensorFlow.
• الرعاية الصحية: تطبق في تحليل الصور الطبية للكشف عن الأمراض من المسح الضوئي وفي اكتشاف الأدوية.
• الأنظمة ذاتية القيادة: تُستخدم في تطوير أنظمة الإدراك للسيارات ذاتية القيادة والروبوتات.

تكامل Ultralytics

يوفر برنامج Ultralytics تكاملاً سلسًا مع TensorFlow، مما يتيح للمستخدمين الاستفادة من نقاط القوة في كلا النظامين. يمكنك بسهولة تصدير نماذج Ultralytics YOLO إلى تنسيقات TensorFlow المختلفة:

• نموذج تينسورفلو المحفوظ: تنسيق قياسي لخدمة النماذج مع خدمة TensorFlow أو النشر في البيئات السحابية.
• تينسورفلو لايت: تنسيق محسّن للنشر على الأجهزة المحمولة والمضمنة وأجهزة إنترنت الأشياء.
• TensorFlow.js: يتيح تشغيل النماذج مباشرةً في متصفحات الويب أو تطبيقات Node.js.
• TF GraphDef: تنسيق تعريف رسم بياني منخفض المستوى.
• حافة TPU: التصدير لمسرعات أجهزة Edge TPU من Google.

تسمح هذه المرونة للمستخدمين بتدريب نماذج مثل Ultralytics YOLOv8 أو YOLO11 داخل نظام Ultralytics البيئي، وربما تتم إدارتها عبر Ultralytics HUB، لنشرها بكفاءة عبر مجموعة واسعة من المنصات التي يدعمها TensorFlow. يمكنك العثور على وثائق مفصلة حول تكامل Ultralytics هنا.