Google is committed to advancing racial equity for Black communities. See how.
Эта страница была переведа с помощью Cloud Translation API.
Switch to English

Введение в TensorFlow

TensorFlow позволяет новичкам и экспертам легко создавать модели машинного обучения для настольных компьютеров, мобильных устройств, Интернета и облака. См. Разделы ниже, чтобы начать.

TensorFlow

Изучите основы TensorFlow с помощью руководств для начинающих и экспертов, которые помогут вам создать свой следующий проект машинного обучения.

Для JavaScript

Используйте TensorFlow.js для создания новых моделей машинного обучения и развертывания существующих моделей с помощью JavaScript.

Для мобильных устройств и Интернета вещей

Выполняйте логический вывод с помощью TensorFlow Lite на мобильных и встроенных устройствах, таких как Android, iOS, Edge TPU и Raspberry Pi.

Для производства

Разверните готовый к работе конвейер машинного обучения для обучения и вывода с помощью TensorFlow Extended (TFX).

Swift для TensorFlow

Прямая интеграция со Swift для TensorFlow, платформы нового поколения для глубокого обучения и дифференцируемого программирования.

Экосистема TensorFlow

TensorFlow предоставляет набор рабочих процессов для разработки и обучения моделей с использованием Python, JavaScript или Swift, а также для простого развертывания в облаке, локально, в браузере или на устройстве, независимо от того, какой язык вы используете.

Загрузить и предварительно обработать данные
Создавайте, обучайте и повторно используйте модели
Развернуть
Разработка на Python
CPU GPU TPU
TensorFlow
Создание конвейеров ввода TensorFlow
API tf.data позволяет создавать сложные конвейеры ввода из простых, повторно используемых частей.
Проводить исследования
TensorFlow
Создавайте и обучайте модели с помощью Keras
tf.keras - это API высокого уровня для построения и обучения моделей. Он поддерживает специфические для TensorFlow функции, такие как активное выполнение, конвейеры tf.data и средства оценки.
Проводить исследования
TensorFlow
Развернуть с помощью Python
Развертывайте на мобильном или пограничном устройстве, в браузере или масштабно с помощью TensorFlow Serving.
Разработка на JavaScript
CPU GPU TPU
TensorFlow.js
Импортируйте модель Python или напишите ее на JavaScript
Научитесь конвертировать предварительно обученные модели из Python в TensorFlow.js, а также научитесь создавать и обучать модели непосредственно в JavaScript.
Проводить исследования
TensorFlow.js
Развернуть в браузере или на Node.js
Узнайте, как развертывать модели TensorFlow.js в браузере, на node.js или на платформе Google Cloud.
Проводить исследования
Быстрое развитие
CPU GPU TPU
Swift для TensorFlow (в бета-версии)
Разрабатывать модели прямо в Swift (бета)
Использование дифференцируемого программирования на Swift обеспечивает первоклассную поддержку универсального языка программирования. Возьмите производные от функций и мгновенно сделайте настраиваемые структуры данных дифференцируемыми. Узнайте, как API Swift предоставляют прозрачный доступ ко всем операторам TensorFlow низкого уровня.
Проводить исследования
Пограничные устройства
CPU GPU RPi
TensorFlow Lite
Развертывание на мобильных или встроенных устройствах, таких как Android, iOS и Raspberry Pi
Прочтите руководство разработчика и выберите новую модель или переобучите существующую, преобразуйте ее в сжатый файл, загрузите на периферийное устройство и затем оптимизируйте.
Проводить исследования
Сквозное производство
CPU GPU TPU
TFX
Подтвердите входные данные с помощью TF Data Validation
Узнайте, как использовать компоненты TFX для анализа и преобразования данных еще до обучения модели.
Проводить исследования
TFX
Разработка функций с помощью TF Transform
Узнайте, как определить функцию предварительной обработки, которая преобразует необработанные данные в данные, используемые для обучения модели машинного обучения, и узнайте, как реализация Apache Beam используется для преобразования данных путем преобразования функции предварительной обработки в конвейер Beam.
Проводить исследования
TFX
Моделирование и обучение
Узнайте, как обучать модели в конвейере TFX в качестве управляемого процесса.
Проводить исследования
TFX
Понимание производительности модели с помощью анализа модели TF
Узнайте, как TensorFlow Model Analysis позволяет выполнять оценку модели в конвейере TFX и визуализировать результаты в записной книжке Jupyter.
Проводить исследования
TFX
Обслуживайте модели с помощью REST API с TF Serving
Узнайте, как TensorFlow Serving позволяет развертывать новые алгоритмы и эксперименты, сохраняя при этом архитектуру сервера и API.
Проводить исследования
инструменты
TensorBoard
TensorBoard - это инструмент для визуализации обучения и результатов
С помощью TensorBoard вы можете отслеживать такие показатели эксперимента, как потери и точность, визуализировать график модели, внедрять проекты в более низкоразмерное пространство и многое другое.
Проводить исследования
TensorFlow Hub
TensorFlow Hub - это обширная библиотека существующих моделей
TensorFlow Hub - это библиотека для публикации, обнаружения и использования повторно используемых частей моделей машинного обучения, называемых модулями.
Проводить исследования

Хотите расширить свои знания в области машинного обучения?

TensorFlow проще в использовании, если у вас есть базовые знания о принципах и основных концепциях машинного обучения. Изучите и применяйте фундаментальные методы машинного обучения для развития своих навыков.

Изучите ML

Начните с тщательно подобранных учебных программ, чтобы улучшить свои навыки в основных областях машинного обучения.