Google is committed to advancing racial equity for Black communities. See how.

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.

En savoir plus

Pour JavaScript

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

En savoir plus

Pour mobiles et IoT

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

En savoir plus

Pour la production

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

En savoir plus

Swift for TensorFlow

Intégrez vos modèles directement à Swift for TensorFlow, la plate-forme nouvelle génération de deep learning et de programmation différentiable.

En savoir plus

Écosystème TensorFlow

TensorFlow fournit une collection de workflows pour développer et former des modèles avec Python, JavaScript ou Swift et pour déployer facilement des modèles dans le cloud, sur site, dans le navigateur ou sur des appareils, quel que soit le langage utilisé.

Charger et prétraiter les données
Créer, entraîner et réutiliser des modèles
Déployer
Développement Python
CPU GPU TPU
TensorFlow
Créer des pipelines d'entrée TensorFlow
L'API tf.data permet de créer des pipelines d'entrée complexes à partir d'éléments simples réutilisables.
Explorer
TensorFlow
Créer et entraîner des modèles avec Keras
tf.keras est une API de haut niveau permettant de créer et d'entraîner des modèles. Cette API est compatible avec les fonctionnalités TensorFlow, y compris l'exécution eager, les pipelines tf.data et les Estimators.
Explorer
TensorFlow
Déployer des modèles avec Python
Déployez des modèles sur des appareils mobiles ou Edge, dans le navigateur ou à grande échelle avec TensorFlow Serving.
Développement JavaScript
CPU GPU TPU
TensorFlow.js
Importer ou créer un modèle Python avec JavaScript
Apprenez à convertir des modèles pré-entraînés Python en TensorFlow.js, et à créer et entraîner des modèles directement avec JavaScript.
Explorer
TensorFlow.js
Déployer un modèle dans le navigateur ou sur Node.js
Découvrez comment déployer des modèles TensorFlow.js dans le navigateur, sur Node.js ou sur Google Cloud Platform.
Explorer
Développement Swift
CPU GPU TPU
Swift for TensorFlow (version bêta)
Développer des modèles Swift de manière native (bêta)
La programmation différentiable Swift peut-être directement intégrée à un langage de programmation à usage général. À partir de dérivées de fonctions, créez rapidement des structures de données personnalisées différentiables. Découvrez comment accéder de façon transparente aux opérateurs TensorFlow de bas niveau avec les API Swift.
Explorer
Appareils de périphérie
CPU GPU RPi
TensorFlow Lite
Déployer des modèles sur des systèmes mobiles ou intégrés, tels qu'Android, iOS et Raspberry Pi
Consultez le guide du développeur et choisissez un nouveau modèle ou ré-entraînez un modèle existant. Convertissez ensuite votre modèle en un fichier compressé, avant de le charger sur un appareil Edge et de l'optimiser.
Explorer
Production de bout en bout
CPU GPU TPU
TFX
Valider les données d'entrée avec TensorFlow Data Validation
Apprenez à utiliser les composants TFX pour analyser et transformer vos données avant même d'entraîner un modèle.
Explorer
TFX
Extraire les caractéristiques avec TF Transform
Apprenez à définir une fonction de prétraitement qui transforme les données brutes en données d'entraînement pour un modèle de machine learning. Découvrez également comment transformer des données en convertissant cette fonction en pipeline Beam avec Apache Beam.
Explorer
TFX
Entraîner un modèle
Découvrez comment entraîner vos modèles dans un pipeline TFX en tant que processus géré.
Explorer
TFX
Analyser les performances d'un modèle avec TF Model Analysis
Découvrez comment évaluer un modèle dans le pipeline TFX et visualiser les résultats dans un notebook Jupyter grâce à TensorFlow Model Analysis.
Explorer
TFX
Diffuser des modèles avec une API REST et TF Serving
Découvrez comment, grâce à TensorFlow Serving, vous pouvez déployer de nouveaux algorithmes et tests sans changer d'architecture de serveur ni d'API.
Explorer
Outils
TensorBoard
TensorBoard est un outil de visualisation de l'entraînement et des résultats
Avec TensorBoard, vous pouvez suivre des métriques de test, comme la perte et la justesse, visualiser le graphe du modèle, projeter des représentations vectorielles continues dans un espace de dimension inférieure, et bien plus encore.
Explorer
TensorFlow Hub
TensorFlow Hub est une bibliothèque offrant un large choix de modèles
TensorFlow Hub est une bibliothèque conçue pour favoriser la publication, la découverte et l'exploitation de parties réutilisables de modèles de machine learning (ou "modules").
Explorer

Vous souhaitez approfondir vos connaissances sur le ML ?

Il est plus facile d'utiliser TensorFlow lorsqu'on comprend les principes de base et les principaux concepts du machine learning. Apprenez et appliquez les pratiques fondamentales du ML afin de développer vos compétences.

Développer vos connaissances sur le ML

Commencez par notre sélection de programmes afin de mieux maîtriser les grands domaines liés au ML.

En savoir plus  

Se lancer avec TensorFlow

Explorer les tutoriels