TensorFlow 簡介
無論你是新手還是專家，TensorFlow 都能讓你輕鬆建立適用於桌上型電腦、行動裝置、網頁和雲端的機器學習模型。如要開始使用，請參閱下列各節。
端對端機器學習平台
準備及載入資料以獲得成功的機器學習結果
在機器學習的相關工作中，資料可說是最重要的一項因素。 TensorFlow 提供多項資料工具，可協助你大規模整合、清除及預先處理資料：
此外，responsible AI 工具可協助你找出並消除資料偏誤，進而從模型中產生公平且合乎道德的結果。
運用 TensorFlow 生態系統建構及微調模型
探索以 Core 架構打造的整個生態系統，瞭解如何簡化模型建構、訓練和匯出作業。透過 Keras 等 API，TensorFlow 可支援分散式訓練、立即進行模型疊代並輕鬆偵錯。模型分析和 TensorBoard 可協助你在模型的整個生命週期追蹤開發進度和改善事項。
為協助你開始使用，請前往 TensorFlow Hub 尋找 Google 和社群提供的一系列預先訓練模型，或在模型園地尋找最先進研究模型的實作資料。你可從這些高階元件的程式庫挑選功能強大的模型，然後在新的資料上進行微調，或是自訂模型以執行新工作。
在裝置端、瀏覽器端、地端或雲端部署模型
TensorFlow 提供強大的功能，可讓你在任何環境部署模型，例如伺服器、邊緣裝置、瀏覽器、行動裝置、微控制器、CPU、GPU 和 FPGA。TensorFlow Serving 可在 Google 獨家設計的 Tensor Processing Unit (TPU) 等世上最先進的處理器中，以實際工作環境的規模執行機器學習模型。
如果你需要在靠近來源的位置分析資料以減少延遲情況並提升資料隱私，TensorFlow Lite 架構可讓你在行動裝置、邊緣運算裝置，甚至是微控制器上執行模型；而如果是使用 TensorFlow.js 架構，只需要利用網路瀏覽器就能執行機器學習。
在 Colab 中試用
使用 TensorFlow Serving 提供模型針對可用於實際工作環境的機器學習系統導入機器學習運作
TensorFlow 平台可協助你導入最佳做法，以將資料自動化、追蹤模型、監控成效及重新訓練模型。
使用實際工作環境等級的工具，在產品、服務或業務處理流程的生命週期中，自動訓練模型並加以追蹤，對於推動績效與成長非常重要。TFX 提供軟體架構和工具，可讓你部署完整的機器學習運作，在資料和模型隨時間進化的過程中偵測問題。
想要拓展你的機器學習知識嗎？
如對機器學習的原則和核心概念有基本瞭解，使用 TensorFlow 會更加得心應手。瞭解並應用機器學習的基礎實務，進而培養技能。
