Kompleksowa platforma do uczenia maszynowego

Rozpocznij pracę z TensorFlow

TensorFlow ułatwia tworzenie modeli ML, które można uruchomić w dowolnym środowisku. Dowiedz się, jak korzystać z intuicyjnych interfejsów API, korzystając z interaktywnych próbek kodu.

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
  loss='sparse_categorical_crossentropy',
  metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

Rozwiązuj rzeczywiste problemy za pomocą ML

Poznaj przykłady wykorzystania TensorFlow do wspierania badań i tworzenia aplikacji opartych na sztucznej inteligencji.

Poprawa dostępu do zdrowia matek dzięki ML na urządzeniu

Dowiedz się, jak TensorFlow Lite umożliwia dostęp do oceny ultrasonograficznej płodu, poprawiając wyniki zdrowotne kobiet i rodzin w Kenii i na świecie.

Twórz systemy rekomendacji dzięki uczeniu się przez wzmacnianie

Dowiedz się, jak Spotify wykorzystuje ekosystem TensorFlow do projektowania rozszerzalnego symulatora offline i szkolenia agentów RL w zakresie generowania list odtwarzania.

Wdrażaj duże modele językowe na Androidzie

Dowiedz się, jak zoptymalizować LLM i wdrożyć je za pomocą TensorFlow Lite na potrzeby generatywnych aplikacji AI.

Co nowego w TensorFlow

Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.

  • Narzędzia deweloperskie

    Narzędzia do oceny modeli, optymalizacji wydajności i tworzenia przepływów pracy ML.