Introduction à TensorFlow

Avec TensorFlow, il est plus facile aux débutants comme aux experts de créer des modèles de machine learning pour des ordinateurs de bureau, des appareils mobiles, le Web ou le cloud. Consultez les sections ci-dessous pour vous lancer.

TensorFlow

Découvrez les bases de TensorFlow avec des tutoriels destinés aux débutants ou aux experts pour vous aider à créer votre prochain projet de machine learning.

Pour le Web

Utilisez TensorFlow.js pour créer de nouveaux modèles de machine learning et déployer des modèles existants avec JavaScript.

Pour les appareils mobiles et de périphérie

Exécutez des inférences avec TensorFlow Lite sur mobiles et systèmes intégrés tels que des appareils Android, iOS, Edge TPU et Raspberry Pi.

Pour la production

Déployez un pipeline de machine learning prêt pour la production afin d'effectuer des tâches d'entraînement et d'inférence avec TFX.

Préparez et chargez des données pour atteindre de bons résultats de ML

Les données sont l'un des aspects les plus importants de la réussite de vos expérimentations en machine learning. TensorFlow vous propose de nombreux outils pour la consolidation, le nettoyage et le prétraitement des données à grande échelle :

Standard datasets for initial training and validation
Highly scalable data pipelines for loading data
Preprocessing layers for common input transformations
Tools to validate and transform large datasets

Additionally, responsible AI tools help you uncover and eliminate bias in your data to produce fair, ethical outcomes from your models.

Essayer dans Colab

Charger et prétraiter un ensemble de données d'images Examiner et visualiser des ensembles de données

Créez et ajustez des modèles avec l'écosystème TensorFlow

Explore an entire ecosystem built on the Core framework that streamlines model construction, training, and export. TensorFlow supports distributed training, immediate model iteration and easy debugging with Keras, and much more. Tools like Model Analysis and TensorBoard help you track development and improvement through your model’s lifecycle.

To help you get started, find collections of pre-trained models at TensorFlow Hub from Google and the community, or implementations of state-of-the art research models in the Model Garden. These libraries of high level components allow you to take powerful models, and fine-tune them on new data or customize them to perform new tasks.

Essayer dans Colab

Entraîner un réseau de neurones à classer des images Réentraîner un classificateur d'images avec l'apprentissage par transfert

Déployez des modèles sur l'appareil, dans le navigateur, sur site ou dans le cloud

TensorFlow provides robust capabilities to deploy your models on any environment - servers, edge devices, browsers, mobile, microcontrollers, CPUs, GPUs, FPGAs. TensorFlow Serving can run ML models at production scale on the most advanced processors in the world, including Google's custom Tensor Processing Units (TPUs).

If you need to analyze data close to its source to reduce latency and improve data privacy, the TensorFlow Lite framework lets you run models on mobile devices, edge computing devices, and even microcontrollers, and the TensorFlow.js framework lets you run machine learning with just a web browser.

Essayer dans Colab

Diffuser un modèle avec TensorFlow Serving

Implémentez le MLOps pour le ML en production

The TensorFlow platform helps you implement best practices for data automation, model tracking, performance monitoring, and model retraining.

Using production-level tools to automate and track model training over the lifetime of a product, service, or business process is critical to success. TFX provides software frameworks and tooling for full MLOps deployments, detecting issues as your data and models evolve over time.