TensorFlow

كيف يعمل TensorFlow

يعالج TensorFlow البيانات باستخدام الموترات، وهي مصفوفات متعددة الأبعاد. يشير اسمTensorFlow" إلى تدفق هذه الموتر من خلال رسم بياني حسابي. بينما اعتمدت الإصدارات السابقة على الرسوم البيانية الثابتة المحددة مسبقًا، قدم TensorFlow 2.x التنفيذ التلقائي بشكل افتراضي، مما يجعل عملية التطوير أكثر تفاعلية وأسهل في التصحيح، على غرار برمجةPython القياسية. الميزة الأساسية هي التمايز التلقائي الذي يبسط حساب التدرجات اللازمة لتدريب الشبكات العصبية (NNs) من خلال تقنيات مثل التكاثر الخلفي. يستخدم TensorFlow بكفاءة مسرّعات الأجهزة مثل وحدات معالجة الرسومات (GPU) والأجهزة المتخصصة مثل وحدات معالجةTensor (TPU) لإجراء عمليات حسابية عالية الأداء.

الميزات الرئيسية والنظام البيئي

يعمل نظام TensorFlow الشامل على تبسيط سير عمل تعلّم الآلة بالكامل:

• تكامل كيرا: يشتمل TensorFlow على Keras كواجهة برمجة تطبيقات عالية المستوى، مما يوفر طريقة سهلة لبناء النماذج وتدريبها.
• النشر المرن: يدعم النشر عبر الخوادم، ومنصات الحوسبة السحابية، والأجهزة المحمولةTensorFlow Lite)، والويبTensorFlow.js)، والأجهزة الطرفية.
• تحسين النموذج: يتضمن مجموعة أدوات تحسين نماذجTensorFlow لتقنيات مثل تكميم النماذج وتشذيب الن ماذج لإنشاء نماذج أصغر وأسرع.
• أدوات إنتاج قوية: تقدم أدوات مثل TensorFlow Extended (TFX) لإدارة خطوط أنابيب التعلم الآلي من البداية إلى النهاية في الإنتاج.
• تسريع الأجهزة: مُحسَّن للأداء على وحدات المعالجة المركزية ووحدات معالجة الرسوماتNVIDIA ووحدات معالجة الرسومات TPU من Google.
• التمايز التلقائي: يحسب التدرجات تلقائيًا لتدريب النموذج باستخدام خوارزميات تحسين مختلفة مثل آدم أو SGD.

TensorFlow مقابل PyTorch

TensorFlow و PyTorch هما الإطاران المهيمنان في التعلم العميق (DL). تاريخياً، كان TensorFlow (قبل الإصدار 2.0) يستخدم الرسوم البيانية الحسابية الثابتة، وهو المفضل لنشر الإنتاج، بينما كان PyTorch يستخدم الرسوم البيانية الديناميكية، وهو المفضل في البحث من أجل المرونة. مع تنفيذ TensorFlow 2.x المتحمس للتنفيذ، تضاءل هذا الاختلاف. غالبًا ما يتفوق TensorFlow في سيناريوهات نشر الإنتاج بسبب أدوات مثل TensorFlow Serving و Lite. اكتسبت PyTorch المعروفة بطابعها البيثوني، قوة جذب مبكرة في مجتمع البحث. يتمتع كلا الإطارين الآن بدعم قوي للبحث والإنتاج، ومكتبات واسعة النطاق، ومجتمعات كبيرة. يمكنك استكشاف المقارنة بين أطر عمل الذكاء الاصطناعي للرؤية مثل TensorFlow و PyTorch و OpenCV.

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 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:

• TensorFlow SavedModel: تنسيق قياسي لخدمة النماذج مع خدمة TensorFlow أو النشر في البيئات السحابية.
• TensorFlow 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.