TensorFlow

TensorFlow هي مكتبة برمجية شاملة مفتوحة المصدر لـالتعلم الآلي (ML) والذكاء الاصطناعي (AI)، وقد طوّرها في الأصل فريق Google Brain. وتُعد منصةً أساسية تمكّن المطورين من بناء نماذج التعلم العميق المتقدمة وتدريبها ونشرها. وعلى الرغم من استخدامها على نطاق واسع لإنشاء الشبكات العصبية الكبيرة، تتيح بنيتها المرنة تشغيلها على مجموعة متنوعة من المنصات، بدءًا من خوادم السحابة القوية ووحدات معالجة الرسومات (GPUs) وصولًا إلى الأجهزة المحمولة وأنظمة الحوسبة الطرفية. ويجعلها هذا التنوع أداةً حيوية لقطاعات تتراوح بين الرعاية الصحية والتمويل والهندسة automotive.

المفاهيم الأساسية والبنية#

يستمد الإطار اسمه من «الموترات»، وهي مصفوفات متعددة الأبعاد من البيانات تتدفق عبر رسم بياني حسابي. ويتيح هذا النهج القائم على الرسوم البيانية لـ TensorFlow إدارة العمليات الرياضية المعقدة بكفاءة.

• الرسوم البيانية الحسابية: يستخدم TensorFlow تقليديًا رسمًا بيانيًا لتدفق البيانات لتمثيل العمليات الحسابية. وتمثل العقد في الرسم البياني العمليات الرياضية، بينما تمثل الحواف مصفوفات البيانات متعددة الأبعاد (الموترات) التي يجري تبادلها بينها. وتُعد هذه البنية ممتازة من أجل التدريب الموزع عبر معالجات متعددة.
• تكامل Keras: تتكامل الإصدارات الحديثة من الإطار تكاملًا وثيقًا مع Keras، وهي واجهة برمجة تطبيقات عالية المستوى مصممة للبشر، لا للآلات. وتبسّط Keras عملية بناء الشبكات العصبية (NN) من خلال تجريد قدر كبير من التعقيد منخفض المستوى، مما يسهّل على المبتدئين إنشاء نماذج أولية.
• التنفيذ الفوري: بخلاف إصداراته السابقة التي اعتمدت بدرجة كبيرة على الرسوم البيانية الثابتة، تستخدم الإصدارات الأحدث التنفيذ الفوري افتراضيًا. ويتيح ذلك تقييم العمليات فورًا، مما يبسّط تصحيح الأخطاء ويجعل تجربة البرمجة أكثر سهولة وبديهية، على نحو يشبه برمجة Python القياسية.

التطبيقات الواقعية#

يسهم TensorFlow بدور أساسي في تشغيل العديد من التقنيات التي تؤثر في الحياة اليومية والعمليات الصناعية.

• تصنيف الصور واكتشاف الكائنات: يُستخدم على نطاق واسع لتدريب الشبكات العصبية الالتفافية (CNNs) على تحديد الكائنات داخل الصور. فعلى سبيل المثال، في تحليل الصور الطبية، يمكن للنماذج المبنية باستخدام هذا الإطار مساعدة أطباء الأشعة على اكتشاف الحالات الشاذة، مثل الأورام، في صور الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي بدقة عالية.
• معالجة اللغات الطبيعية (NLP): تعتمد العديد من النماذج اللغوية الكبيرة (LLMs) وخدمات الترجمة على TensorFlow لمعالجة اللغة البشرية وتوليدها. وهو يشغّل تطبيقات مثل المساعدات الصوتية وأدوات تحليل المشاعر التي تساعد الشركات على فهم ملاحظات العملاء من خلال تفسير البيانات النصية على نطاق واسع.

مقارنة مع PyTorch#

على الرغم من أن كليهما من الأطر المهيمنة في مجال الذكاء الاصطناعي، فإن TensorFlow يختلف اختلافًا كبيرًا عن PyTorch. وغالبًا ما يُفضَّل PyTorch في الأبحاث الأكاديمية بفضل رسمه البياني الحسابي الديناميكي، الذي يتيح إجراء تغييرات فورية على بنية الشبكة. وفي المقابل، حظي TensorFlow تاريخيًا بتفضيل نشر النماذج في بيئات الإنتاج بفضل منظومته المتينة، التي تشمل TensorFlow Serving وTensorFlow Lite للأجهزة المحمولة. ومع ذلك، قرّبت التحديثات الحديثة الإطارين من بعضهما من حيث سهولة الاستخدام والميزات.

التكامل مع Ultralytics#

تُبنى نماذج Ultralytics، مثل YOLO26 المتقدم، باستخدام PyTorch، لكنها توفر قابلية تشغيل بيني سلسة مع منظومة TensorFlow. ويتحقق ذلك من خلال أوضاع التصدير التي تتيح للمستخدمين تحويل نماذج YOLO المدرّبة إلى تنسيقات متوافقة مع إطار Google، مثل SavedModel وTF.js وTFLite. وتضمن هذه المرونة إمكانية تدريب المستخدمين للنماذج على منصة Ultralytics ونشرها على الأجهزة التي تتطلب تنسيقات محددة.

يوضح المثال التالي كيفية تصدير نموذج Ultralytics YOLO26 إلى تنسيق متوافق مع هذه المنظومة:

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TensorFlow SavedModel format
# This creates a directory containing the model assets
model.export(format="saved_model")

الأدوات والمنظومة ذات الصلة#

يدعم الإطار مجموعة غنية من الأدوات المصممة لإدارة دورة حياة عمليات التعلم الآلي (MLOps) بأكملها:

• TensorBoard: مجموعة أدوات قوية للتصور تساعد الباحثين على تتبع مقاييس مثل دوال الخسارة والدقة أثناء التدريب. وتوفر واجهة رسومية لفحص الرسوم البيانية للنماذج وتصحيح مشكلات الأداء. ويمكنك استخدام تكامل TensorBoard مع Ultralytics لتصور عمليات تدريب YOLO.
• TensorFlow Lite: حل خفيف مصمم خصيصًا من أجل الذكاء الاصطناعي الطرفي والنشر على الأجهزة المحمولة. ويعمل على تحسين النماذج لتعمل بكفاءة على الأجهزة ذات الطاقة والذاكرة المحدودتين، مثل الهواتف الذكية والمتحكمات الدقيقة.
• TensorFlow.js: تتيح هذه المكتبة تشغيل نماذج ML مباشرةً في المتصفح أو على Node.js. كما تتيح إجراء الاستدلال من جانب العميل، ما يعني عدم الحاجة إلى إرسال البيانات إلى خادم، مما يعزز الخصوصية ويقلل زمن الاستجابة.
• TFX (TensorFlow الموسع): منصة متكاملة لنشر مسارات العمل في بيئات الإنتاج. وتساعد على أتمتة التحقق من صحة البيانات وتدريب النماذج وتقديمها، بما يضمن تطبيقات ذكاء اصطناعي قابلة للتوسع وموثوقة.