TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen
TensorFlow macht es Anfängern und Experten leicht, Modelle für maschinelles Lernen zu erstellen. Sehen Sie sich die folgenden Abschnitte an, um loszulegen.
Für Anfänger
Der beste Ausgangspunkt ist die benutzerfreundliche Sequential API. Sie können Modelle erstellen, indem Sie Bausteine zusammenfügen. Führen Sie das „Hallo Welt“ Beispiel unten, dann den Besuch Tutorials mehr zu erfahren.
Um zu erfahren , ML, sieh Dir unsere out Bildung Seite . Beginnen Sie mit kuratierten Lehrplänen, um Ihre Fähigkeiten in grundlegenden ML-Bereichen zu verbessern.
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)
Für Experten
Die Subclassing-API bietet eine Definitions-by-Run-Schnittstelle für fortgeschrittene Forschung. Erstellen Sie eine Klasse für Ihr Modell und schreiben Sie dann den Vorwärtspass zwingend. Erstellen Sie ganz einfach benutzerdefinierte Layer, Aktivierungen und Trainingsschleifen. Führen Sie das „Hallo Welt“ Beispiel unten, dann den Besuch Tutorials mehr zu erfahren.
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))
Lösungen für häufige Probleme
Entdecken Sie Schritt-für-Schritt-Anleitungen, die Ihnen bei Ihren Projekten helfen.
Trainieren Sie in diesem schnellen Überblick über ein komplettes TensorFlow-Programm ein neuronales Netzwerk, um Bilder von Kleidung wie Turnschuhen und Hemden zu klassifizieren.
Trainieren Sie ein generatives gegnerisches Netzwerk, um Bilder von handgeschriebenen Ziffern mit der Keras Subclassing API zu generieren.
Trainieren Sie ein Sequenz-zu-Sequenz-Modell für die Übersetzung vom Spanischen ins Englische mit der Keras Subclassing API.
Die Beteiligung der Gemeinschaft
Sehen Sie sich weitere Möglichkeiten zur Teilnahme an der TensorFlow-Community an.