TensorFlow to kompleksowa platforma open source do uczenia maszynowego

TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.

Zobacz samouczki

Samouczki pokazują, jak korzystać z TensorFlow z kompletnymi, kompleksowymi przykładami.

Zobacz przewodnik

Przewodniki wyjaśniają koncepcje i komponenty TensorFlow.

Dla początkujących

Najlepszym miejscem do rozpoczęcia jest przyjazny dla użytkownika interfejs Sequential API. Możesz tworzyć modele, łącząc ze sobą bloki konstrukcyjne. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki , aby dowiedzieć się więcej.

Aby nauczyć się ML, zajrzyj na naszą stronę edukacyjną . Zacznij od wyselekcjonowanych programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach uczenia maszynowego.

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

Dla ekspertów

Interfejs API do tworzenia podklas zapewnia interfejs definiowania po uruchomieniu do zaawansowanych badań. Utwórz klasę dla swojego modelu, a następnie koniecznie napisz podanie w przód. Z łatwością twórz niestandardowe warstwy, aktywacje i pętle treningowe. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki , aby dowiedzieć się więcej.

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

Rozwiązania typowych problemów

Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.

Dla początkujących
Twoja pierwsza sieć neuronowa

Trenuj sieć neuronową, aby klasyfikować obrazy ubrań, takich jak trampki i koszule, w tym szybkim przeglądzie kompletnego programu TensorFlow.

Dla ekspertów
Sieci generatywnych przeciwników

Wytrenuj generatywną sieć przeciwników, aby generowała obrazy odręcznych cyfr za pomocą interfejsu API Keras Subclassing.

Dla ekspertów
Neuronowe tłumaczenie maszynowe z uwagą

Wytrenuj model sekwencja do sekwencji dla tłumaczenia z hiszpańskiego na angielski za pomocą interfejsu API Keras Subclassing.

Nowości i ogłoszenia

Zajrzyj na nasz blog , aby uzyskać dodatkowe informacje, i zasubskrybuj nasz biuletyn TensorFlow, aby otrzymywać najnowsze ogłoszenia wysyłane bezpośrednio do Twojej skrzynki odbiorczej.