TensorFlow 2 ではシンプルさと使いやすさが重視されており、積極的実行(Eager Execution)、直感的に使用できる高レベルの API、あらゆるプラットフォームで構築可能な柔軟なモデルなどが新たに導入されています。

ガイドの多くは Jupyter ノートブックとして作成されており、セットアップ不要のホスト型ノートブック環境である Google Colab で直接実行されます。[Google Colab で実行] ボタンをクリックします。

重要なドキュメント

パッケージをインストールするか、ソースからビルドします。GPU では CUDA® 対応カードをサポートします。
TensorFlow 2 のおすすめの方法と、コードを移行するためのツール。
Keras は、機械学習の入門者だけでなく研究者にとっても利用しやすい高レベル API です。
TensorFlow を機能させるための基本的なクラスと機能について学習できます。
tf.data API を使用すると、シンプルで再利用可能なパーツから複雑な入力パイプラインを構築できます。
スケーリングと非同期トレーニングのために設計された、完全なモデルを表す高レベル API。
チェックポイントまたは SavedModel 形式を使用して TensorFlow モデルを保存します。
トレーニングを複数の GPU、マシンまたは TPU に分散します。
TensorFlow パフォーマンスを最適化するためのベストプラクティスと最適化技法。
TensorFlow を使用して高度なモデルやメソッドを構築するための追加のリソースや、TensorFlow を拡張するドメイン固有のアプリケーション パッケージを用意しています。
  • TensorFlow プログラムの理解に役立ち、デバッグと最適化もできる一連のデータ可視化ツール。
  • 機械学習モデルの再利用可能な部分を公開、検出、使用するためのライブラリ。
  • TensorFlow Model Optimization Toolkit は、機械学習モデルを最適化してデプロイおよび実行できるようにするための一連のツールです。
  • 分散データに対する機械学習やその他の計算のためのフレームワーク。
  • 特徴入力に加え構造化シグナルを活用してニューラル ネットワークをトレーニングする学習パラダイム。
  • カメラ、ライト、マテリアル、レンダラーなど、コンピュータ グラフィックス機能を幅広く集めたライブラリ。
  • TensorFlow で使用できるデータセットのコレクション。
  • 本番環境での高パフォーマンスを実現する、ML モデル用の TFX サービング システム。
  • TensorFlow Probability は確率的推論と統計的分析のためのライブラリです。
  • MLIR は TensorFlow の高性能 ML モデルのインフラストラクチャを統合します。
  • ソースコードを変更することなく TensorFlow モデルを高速化する、線形代数のためのドメイン固有のコンパイラ。
  • SIG Addons が管理する TensorFlow の追加機能.。
  • SIG IO が管理するデータセット、ストリーミング、ファイル システムの拡張機能。