Посетите симпозиум «Женщины в машинном обучении» 7 декабря Зарегистрируйтесь сейчас
Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

TensorFlow — это сквозная платформа с открытым исходным кодом для машинного обучения.

TensorFlow позволяет новичкам и экспертам легко создавать модели машинного обучения. См. разделы ниже, чтобы начать.

См. учебные пособия

Учебники показывают, как использовать TensorFlow, с полными сквозными примерами.

См. руководство

Руководства объясняют концепции и компоненты TensorFlow.

Для начинающих

Лучше всего начать с удобного Sequential API. Вы можете создавать модели, соединяя строительные блоки. Запустите приведенный ниже пример «Hello World», а затем посетите учебные пособия , чтобы узнать больше.

Чтобы изучить машинное обучение, посетите нашу образовательную страницу . Начните с тщательно подобранных учебных программ, чтобы улучшить свои навыки в основных областях машинного обучения.

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)

Для экспертов

API подклассов предоставляет интерфейс определения за запуском для расширенных исследований. Создайте класс для своей модели, затем обязательно напишите прямой проход. С легкостью создавайте собственные слои, активации и обучающие циклы. Запустите приведенный ниже пример «Hello World», а затем посетите учебные пособия , чтобы узнать больше.

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))

Решения распространенных проблем

Изучите пошаговые руководства, которые помогут вам в ваших проектах.

Для начинающих
Ваша первая нейронная сеть

Обучите нейронную сеть классифицировать изображения одежды, например кроссовок и рубашек, с помощью этого быстрого обзора полной программы TensorFlow.

Для экспертов
Генеративные состязательные сети

Обучите генеративную состязательную сеть генерировать изображения рукописных цифр, используя API подклассов Keras.

Для экспертов
Нейронный машинный перевод с вниманием

Обучите модель последовательностей для перевода с испанского на английский с помощью API подклассов Keras.

Новости и объявления

Следите за дополнительными обновлениями в нашем блоге и подпишитесь на нашу рассылку новостей TensorFlow, чтобы получать последние объявления прямо на свой почтовый ящик.