TensorFlow 2 фокусируется на простоте и удобстве использования, с такими обновлениями, как активное выполнение, интуитивно понятные высокоуровневые API и гибкое построение моделей на любой платформе.

Многие руководства написаны в виде блокнотов Jupyter и работают непосредственно в Google Colab — размещенной среде блокнотов, не требующей настройки. Нажмите кнопку « Выполнить в Google Colab» .

Необходимая документация

Установите пакет или соберите из исходников. Поддержка GPU для карт с поддержкой CUDA®.
Узнайте, как перенести код TF1.x в TF2.
Keras — это высокоуровневый API, который удобен как для новичков, так и для исследователей.
Узнайте об основных классах и функциях, благодаря которым TensorFlow работает.
API tf.data позволяет создавать сложные конвейеры ввода из простых, повторно используемых частей.
Узнайте о передовых методах эффективной разработки с использованием TensorFlow 2.
Сохраните модель TensorFlow, используя контрольные точки или формат SavedModel.
Распределите обучение между несколькими графическими процессорами, несколькими машинами или TPU.
Лучшие практики и методы оптимизации для оптимальной производительности TensorFlow.
Изучите дополнительные ресурсы для создания продвинутых моделей или методов с помощью TensorFlow и получите доступ к пакетам приложений для предметной области, которые расширяют возможности TensorFlow.
  • Библиотека для обучения, запуска и интерпретации моделей леса решений (например, случайных лесов, деревьев с градиентным усилением) в TensorFlow.
  • Библиотека для публикации, обнаружения и использования многократно используемых частей моделей машинного обучения.
  • Система обслуживания TFX для моделей машинного обучения, разработанная для обеспечения высокой производительности в производственных средах.
  • Фреймворк для машинного обучения и других вычислений на децентрализованных данных.
  • Парадигма обучения для обучения нейронных сетей путем использования структурированных сигналов в дополнение к входным данным.
  • Библиотека функций компьютерной графики, начиная от камер, источников света и материалов и заканчивая средствами визуализации.
  • Дополнительные функции для TensorFlow, поддерживаемые SIG Addons.
  • Набор инструментов визуализации для понимания, отладки и оптимизации программ TensorFlow.
  • Коллекция наборов данных, готовых к использованию с TensorFlow.
  • Набор инструментов для оптимизации моделей TensorFlow — это набор инструментов для оптимизации моделей машинного обучения для развертывания и выполнения.
  • TensorFlow Probability — это библиотека для вероятностных рассуждений и статистического анализа.
  • MLIR объединяет инфраструктуру для высокопроизводительных моделей машинного обучения в TensorFlow.
  • Предметно-ориентированный компилятор для линейной алгебры, который ускоряет модели TensorFlow без изменения исходного кода.
  • Расширения набора данных, потоковой передачи и файловой системы, поддерживаемые SIG IO.