Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

Pengantar TensorFlow

TensorFlow memudahkan pemula dan pakar untuk membuat model pembelajaran mesin untuk desktop, seluler, web, dan cloud. Lihat bagian di bawah untuk memulai.

TensorFlow

Pelajari dasar TensorFlow dengan tutorial untuk pemula dan pakar untuk membantu Anda membuat proyek pembelajaran mesin berikutnya.

Untuk JavaScript

Gunakan TensorFlow.js untuk membuat model machine learning baru dan menerapkan model yang ada dengan JavaScript.

Untuk Seluler & IoT

Jalankan inferensi dengan TensorFlow Lite di perangkat seluler dan tersemat seperti Android, iOS, Edge TPU, dan Raspberry Pi.

Untuk Produksi

Terapkan pipeline ML siap produksi untuk pelatihan dan inferensi menggunakan TensorFlow Extended (TFX).

Ekosistem TensorFlow

TensorFlow menyediakan kumpulan alur kerja untuk mengembangkan dan melatih model menggunakan Python atau JavaScript, dan untuk menerapkannya dengan mudah di cloud, lokal, browser, atau di perangkat apa pun bahasa yang Anda gunakan.

Muat & praproses data
Bangun, latih & gunakan kembali model
Menyebarkan
Pengembangan Python
CPU GPU TPU
TensorFlow
Membangun Pipeline Input TensorFlow
API tf.data memungkinkan Anda membangun saluran input yang kompleks dari bagian sederhana yang dapat digunakan kembali.
Mengeksplorasi
TensorFlow
Bangun dan latih model menggunakan Keras
tf.keras adalah API tingkat tinggi untuk membangun dan melatih model. Ini mendukung fungsionalitas khusus TensorFlow, seperti eksekusi bersemangat, pipeline tf.data, dan estimator.
Mengeksplorasi
TensorFlow
Terapkan menggunakan Python
Terapkan di perangkat seluler atau edge, di browser, atau dalam skala besar menggunakan TensorFlow Serving.
pengembangan JavaScript
CPU GPU
TensorFlow.js
Gunakan model TensorFlow.js, TensorFlow, atau TFLite yang telah dilatih sebelumnya dan jalankan di web atau platform JS lainnya.
Perangkat tepi
CPU GPU RPi
TensorFlow Lite
Terapkan di perangkat seluler atau yang disematkan, seperti Android, iOS, dan Raspberry Pi
Baca panduan pengembang dan pilih model baru atau latih ulang yang sudah ada, ubah menjadi file terkompresi, muat di perangkat edge, lalu optimalkan.
Mengeksplorasi
Produksi ujung ke ujung
CPU GPU TPU
TFX
Validasi data input dengan Validasi Data TF
Lihat cara menggunakan komponen TFX untuk menganalisis dan mengubah data Anda bahkan sebelum Anda melatih model.
Mengeksplorasi
TFX
Rekayasa fitur dengan TF Transform
Pelajari cara menentukan fungsi prapemrosesan yang mengubah data mentah menjadi data yang digunakan untuk melatih model pembelajaran mesin, dan lihat bagaimana implementasi Apache Beam digunakan untuk mengubah data dengan mengonversi fungsi prapemrosesan menjadi pipeline Beam.
Mengeksplorasi
TFX
Pemodelan dan pelatihan
Pelajari cara melatih model Anda dalam saluran TFX sebagai proses terkelola.
Mengeksplorasi
TFX
Memahami kinerja model dengan analisis model TF
Lihat bagaimana Analisis Model TensorFlow memungkinkan Anda melakukan evaluasi model di saluran TFX dan memvisualisasikan hasilnya di notebook Jupyter.
Mengeksplorasi
TFX
Sajikan model dengan REST API dengan TF Serving
Pelajari bagaimana TensorFlow Serving memungkinkan Anda menerapkan algoritme dan eksperimen baru sambil mempertahankan arsitektur server dan API yang sama.
Mengeksplorasi
Peralatan
Papan Tensor
TensorBoard adalah alat untuk memvisualisasikan pelatihan dan hasil
Dengan TensorBoard Anda dapat melacak metrik eksperimen seperti kehilangan dan akurasi, memvisualisasikan grafik model, menyematkan proyek ke ruang dimensi yang lebih rendah, dan banyak lagi.
Mengeksplorasi
Pusat TensorFlow
TensorFlow Hub adalah perpustakaan ekstensif dari model yang ada
TensorFlow Hub adalah library untuk publikasi, penemuan, dan konsumsi bagian yang dapat digunakan kembali dari model machine learning yang disebut modul.
Mengeksplorasi

Ingin memperluas pengetahuan ML Anda?

TensorFlow lebih mudah digunakan dengan pemahaman dasar tentang prinsip machine learning dan konsep inti. Pelajari dan terapkan praktik pembelajaran mesin dasar untuk mengembangkan keterampilan Anda.

Pelajari ML

Mulailah dengan kurikulum pilihan untuk meningkatkan keterampilan Anda di area ML dasar.