این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

TensorFlow 2 بر روی سادگی و سهولت استفاده تمرکز دارد ، با به روزرسانی هایی مانند اجرای مشتاقانه ، API های سطح بالاتر بصری و مدل انعطاف پذیر در هر سیستم عامل.

بسیاری از راهنماها به عنوان دفترهای یادداشت Jupyter نوشته می شوند و مستقیماً در Google Colab اجرا می شوند - یک محیط نوت بوک میزبان که نیازی به نصب ندارد. روی دکمه Run in Google Colab کلیک کنید.

مستندات اساسی

بسته را نصب کنید یا از منبع بسازید. پشتیبانی از پردازنده گرافیکی کارتهای CUDA®.
TensorFlow 2 بهترین روش ها و ابزارها برای انتقال کد شما.
Keras یک API سطح بالا است که برای مبتدیان ML و همچنین محققان آسان تر است.
درباره کلاسها و ویژگیهای اساسی TensorFlow کار کنید.
tf.data API شما را قادر می سازد از قطعات ساده و قابل استفاده مجدد خطوط لوله ورودی پیچیده ای بسازید.
یک API سطح بالا که نمایانگر یک مدل کامل ، طراحی شده برای مقیاس گذاری و آموزش ناهمزمان است.
با استفاده از ایست های بازرسی یا قالب SavedModel ، یک مدل TensorFlow را ذخیره کنید.
آموزش را بین چندین GPU ، چندین ماشین یا TPU توزیع کنید.
بهترین روش ها و تکنیک های بهینه سازی برای عملکرد مطلوب TensorFlow.
برای ساخت مدلها یا روشهای پیشرفته با استفاده از TensorFlow ، منابع اضافی را کاوش کنید و به بسته های برنامه مخصوص دامنه که TensorFlow را گسترش می دهند ، دسترسی پیدا کنید.
  • مجموعه ای از ابزارهای تجسم برای درک ، اشکال زدایی و بهینه سازی برنامه های TensorFlow.
  • کتابخانه ای برای انتشار ، کشف و مصرف قطعات قابل استفاده مجدد از مدل های یادگیری ماشین.
  • مجموعه ابزار بهینه سازی مدل TensorFlow مجموعه ای از ابزارها برای بهینه سازی مدل های ML برای استقرار و اجرا است.
  • چارچوبی برای یادگیری ماشین و سایر محاسبات داده های غیرمتمرکز.
  • یک الگوی یادگیری برای آموزش شبکه های عصبی با استفاده از سیگنال های ساخت یافته علاوه بر ورودی های ویژگی.
  • کتابخانه ای از ویژگی های گرافیک رایانه ای اعم از دوربین ، چراغ و مواد گرفته تا رندر.
  • مجموعه ای از مجموعه داده های آماده برای استفاده با TensorFlow.
  • یک سیستم سرویس دهی TFX برای مدل های ML ، طراحی شده برای عملکرد بالا در محیط های تولید.
  • TensorFlow احتمال کتابخانه ای برای استدلال احتمالی و تجزیه و تحلیل آماری است.
  • MLIR زیرساختهای مدلهای ML با عملکرد بالا را در TensorFlow متحد می کند.
  • یک کامپایلر مخصوص دامنه برای جبر خطی که مدل های TensorFlow را تسریع می کند و بدون تغییر بالقوه کد منبع.
  • قابلیت های اضافی برای TensorFlow ، که توسط SIG Addons نگهداری می شود.
  • پسوندهای مجموعه داده ، جریان و سیستم فایل ، که توسط SIG IO نگهداری می شوند.