TensorFlow 2 met l'accent sur la simplicité et la facilité d'utilisation, avec des nouveautés telles que l'exécution eager, des API de niveau supérieur intuitives et la création de modèles flexibles sur n'importe quelle plate-forme.

Il existe de nombreux guides sous forme de notebooks Jupyter qui s'exécutent directement dans Google Colab, un environnement de notebook hébergé qui ne nécessite aucune configuration. Cliquez sur le bouton Exécuter dans Google Colab.

Documentation essentielle

Installez le package ou la version à partir de la source. L'utilisation du GPU est possible pour les cartes compatibles CUDA®.
Bonnes pratiques et outils de migration TensorFlow 2 pour votre code.
Keras est une API de haut niveau plus facile à prendre en main pour les chercheurs et les débutants en ML.
TensorFlow pour la recherche et l'expérimentation. Rédigez des couches et des modèles personnalisés, des propagations avant et des boucles d'entraînement.
L'API tf.data vous permet de créer des pipelines d'entrée complexes à partir d'éléments simples et réutilisables.
Une API de haut niveau qui représente un modèle complet, conçu pour la mise à l'échelle et l'entraînement asynchrone.
Enregistrez un modèle TensorFlow à l'aide des points de contrôle ou du format SavedModel.
Répartissez les tâches d'entraînement entre plusieurs machines, GPU ou TPU.
Bonnes pratiques et techniques d'optimisation pour maximiser les performances de TensorFlow.
Découvrez des ressources complémentaires permettant de créer des modèles ou des méthodes avancés avec TensorFlow, et accédez à des packages d'applications spécialisées qui enrichissent la plate-forme de nouvelles fonctionnalités.
  • Une suite d'outils de visualisation pour comprendre, déboguer et optimiser les programmes TensorFlow.
  • Une bibliothèque conçue pour favoriser la publication, la découverte et l'exploitation d'éléments réutilisables dans les modèles de machine learning.
  • La suite d'outils TensorFlow pour l'optimisation de modèles permet d'apporter des améliorations aux modèles de ML en vue de leur déploiement et de leur exécution.
  • Un framework qui permet d'appliquer le machine learning et d'effectuer différents calculs sur des données décentralisées.
  • Un paradigme d'apprentissage permettant d'entraîner des réseaux de neurones avec des signaux structurés en plus des entrées de caractéristiques.
  • Une bibliothèque de fonctionnalités d'infographie allant des appareils photo aux moteurs de rendu, en passant par les lumières et matériaux.
  • Des ensembles de données prêts à être utilisés avec TensorFlow.
  • Un système d'inférence TFX pour les modèles de ML, conçu pour obtenir des performances élevées dans les environnements de production.
  • TensorFlow Probability est une bibliothèque conçue pour faciliter le raisonnement probabiliste et l'analyse statistique.
  • MLIR unifie l'infrastructure pour les modèles de ML hautes performances dans TensorFlow.
  • Compilateur d'algèbre linéaire spécifique à un domaine qui permet potentiellement d'accélérer les modèles TensorFlow sans modification du code source.
  • Des fonctionnalités en plus pour TensorFlow, gérées par le SIG Addons.
  • Des ensembles de données, des flux de données et des extensions de systèmes de fichiers, gérés par le SIG IO.