TensorFlow

كيف يعمل TensorFlow

في جوهره، يعمل TensorFlow على الموترين، وهي مصفوفات متعددة الأبعاد، ومن هنا جاء اسمTensorFlow" - الذي يمثل تدفق هذه الموترين من خلال رسم بياني حسابي. في حين أن الإصدارات السابقة اعتمدت بشكل كبير على الرسوم البيانية الحسابية الثابتة، إلا أن TensorFlow 2.x قدم التنفيذ المتحمس افتراضيًا، مما يجعله أكثر سهولة وأسهل في التصحيح، وهو مشابه في الإحساس Python القياسية. وتتضمن الميزات الرئيسية التمايز التلقائي لحساب التدرجات اللازمة في التدرج بسهولة في الترحيل العكسي وتدريب النموذج، إلى جانب مجموعة واسعة من الطبقات المبنية مسبقًا والأدوات المساعدة لبناء الشبكات العصبية (NNs). ويستفيد البرنامج من تسريع الأجهزة باستخدام وحدات معالجة الرسومات والأجهزة المتخصصة مثل وحدات المعالجة ثلاثية الأبعاد (TPU) لإجراء عمليات حسابية عالية الأداء.

الميزات الرئيسية والنظام البيئي

يوفر TensorFlow العديد من الميزات التي تعمل على تبسيط سير عمل تعلّم الآلة:

• واجهة برمجة تطبيقات Keras: واجهة برمجة تطبيقات عالية المستوى مدمجة في TensorFlow وهي معروفة بسهولة استخدامها ونمطيتها، مما يبسّط عملية بناء نماذج التعلم العميق وتدريبها. تسمح Keras بوضع نماذج أولية سريعة.
• التدريب الموزع: يساعد الدعم المدمج لتوزيع الحوسبة عبر أجهزة متعددة ووحدات معالجة الرسومات على تسريع تدريب النماذج الكبيرة على مجموعات البيانات الضخمة.
• تحسين النموذج: توفر أدوات مثل مجموعة أدوات تحسين نموذجTensorFlow تقنيات لتكميم النماذج وتشذيبها لإنشاء نماذج أصغر وأسرع وأكثر كفاءة في استخدام الطاقة ومناسبة للأجهزة المتطورة.
• مرونة النشر: يمكن نشر نماذج TensorFlow في أي مكان تقريبًا، من مزارع الخوادم الكبيرة(الحوسبة السحابية) إلى البيئات المحدودة الموارد مثل الأنظمة المحمولة والأنظمة المدمجة باستخدام تصديرTensorFlow Lite أو تطبيقات الويب عبر تصديرTensorFlow.js. يمكن أيضًا تصدير نماذج Ultralytics YOLO إلى تنسيقTensorFlow SavedModel بتنسيقTensorFlow SavedModel .

التطبيقات والأمثلة

يُستخدم TensorFlow في العديد من المجالات:

• الرؤية الحاسوبية: تشغيل تطبيقات مثل تصنيف الصور واكتشاف الأجسام وتجزئة الصور. على سبيل المثال، تستخدم Google TensorFlow في صور Google للتعرف على الصور وميزات البحث. نماذج Ultralytics YOLO على الرغم من تطويرها في المقام الأول في PyTorchيمكن تحويلها إلى تنسيق TensorFlow للنشر.
• معالجة اللغة الطبيعية (NLP): تُستخدم لمهام مثل الترجمة الآلية، وتحليل المشاعر، وبناء نماذج لغوية متطورة مثل BERT. كانت خوارزمية RankBrain الخاصة ببحث Google Search، والتي تساعد في تفسير استعلامات البحث المعقدة، تطبيقًا مبكرًا واسع النطاق لـ TensorFlow.
• الرعاية الصحية: المساعدة في تحليل الصور الطبية للكشف عن الأمراض من الفحوصات أو التنبؤ بنتائج المرضى بناءً على السجلات الصحية الإلكترونية.
• التمويل: يُستخدم للكشف عن الاحتيال والتداول الخوارزمي ونماذج تسجيل الائتمان.

TensorFlow مقابل PyTorch

TensorFlow و PyTorch هما الإطاران المهيمنان في التعلم العميق. تاريخياً، كان TensorFlow معروفاً بقوته في نشر الإنتاج وقابليته للتوسع باستخدام الرسوم البيانية الثابتة، بينما اكتسب PyTorch شعبية في مجتمع البحث بسبب رسومه البيانية الديناميكية وإحساسه الأكثر بايثونيّة. ومع ذلك، مع اعتماد TensorFlow 2.x للتنفيذ المتحمس، أصبحت الاختلافات أقل وضوحًا. يعتمد الاختيار غالبًا على احتياجات المشروع المحددة وإلمام الفريق وأدوات النظام البيئي. العديد من النماذج، بما في ذلك Ultralytics YOLOv8توفر خيارات توافق أو تصدير لكلا الإطارين، مما يتيح المرونة في نشر النموذج.