یک پلتفرم سرتاسر برای یادگیری ماشین

با TensorFlow شروع کنید

TensorFlow ایجاد مدل های ML را آسان می کند که می توانند در هر محیطی اجرا شوند. نحوه استفاده از APIهای بصری را از طریق نمونه کدهای تعاملی بیاموزید.

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)

مشکلات دنیای واقعی را با ML حل کنید

نمونه هایی از نحوه استفاده از TensorFlow برای پیشرفت تحقیقات و ساخت برنامه های کاربردی مبتنی بر هوش مصنوعی را بررسی کنید.

تجزیه و تحلیل داده های رابطه ای با استفاده از شبکه های عصبی گراف

GNN ها می توانند روابط پیچیده بین اشیا را پردازش کنند و آنها را به یک تکنیک قدرتمند برای پیش بینی ترافیک، کشف پزشکی و موارد دیگر تبدیل کنند.

بهبود دسترسی به سلامت مادر با ML روی دستگاه

بیاموزید که چگونه TensorFlow Lite دسترسی به ارزیابی سونوگرافی جنین را امکان پذیر می کند و نتایج سلامتی را برای زنان و خانواده ها در سراسر کنیا و جهان بهبود می بخشد.

سیستم های توصیه را با یادگیری تقویتی بسازید

بیاموزید که چگونه Spotify از اکوسیستم TensorFlow برای طراحی یک شبیه‌ساز آفلاین قابل توسعه و آموزش عوامل RL برای تولید لیست‌های پخش استفاده می‌کند.

تازه های TensorFlow

آخرین اطلاعیه های تیم و انجمن TensorFlow را بخوانید.

  • ابزارهای توسعه دهنده

    ابزارهایی برای ارزیابی مدل ها، بهینه سازی عملکرد و تولید گردش کار ML.