Assistez au symposium Women in ML le 7 décembre Inscrivez-vous maintenant
Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

TensorFlow est une plate-forme open source de bout en bout pour l'apprentissage automatique

TensorFlow permet aux débutants et aux experts de créer facilement des modèles de machine learning. Consultez les sections ci-dessous pour commencer.

Voir les tutoriels

Des didacticiels vous montrent comment utiliser TensorFlow avec des exemples complets de bout en bout.

Voir le guide

Des guides expliquent les concepts et les composants de TensorFlow.

Pour les débutants

Le meilleur endroit pour commencer est l'API séquentielle conviviale. Vous pouvez créer des modèles en connectant des blocs de construction. Exécutez l'exemple "Hello World" ci-dessous, puis consultez les didacticiels pour en savoir plus.

Pour apprendre le ML, consultez notre page de formation . Commencez par des programmes organisés pour améliorer vos compétences dans les domaines fondamentaux du ML.

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)

Pour les connaisseurs

L'API de sous-classement fournit une interface de définition par exécution pour la recherche avancée. Créez une classe pour votre modèle, puis écrivez impérativement la passe avant. Créez facilement des couches personnalisées, des activations et des boucles de formation. Exécutez l'exemple "Hello World" ci-dessous, puis consultez les didacticiels pour en savoir plus.

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))

Solutions aux problèmes courants

Explorez des didacticiels pas à pas pour vous aider dans vos projets.

Pour les débutants
Votre premier réseau de neurones

Entraînez un réseau de neurones pour classer des images de vêtements, comme des baskets et des chemises, dans cet aperçu rapide d'un programme TensorFlow complet.

Pour les connaisseurs
Réseaux antagonistes génératifs

Entraînez un réseau contradictoire génératif pour générer des images de chiffres manuscrits, à l'aide de l'API Keras Subclassing.

Pour les connaisseurs
Traduction automatique neuronale avec attention

Entraînez un modèle séquence à séquence pour la traduction de l'espagnol vers l'anglais à l'aide de l'API Keras Subclassing.

Nouvelles et annonces

Consultez notre blog pour des mises à jour supplémentaires et abonnez-vous à notre newsletter TensorFlow pour recevoir les dernières annonces directement dans votre boîte de réception.