Google I / O kehrt vom 18. bis 20. Mai zurück! Reservieren Sie Platz und erstellen Sie Ihren Zeitplan Registrieren Sie sich jetzt

TensorFlow ist eine durchgängige Open Source-Plattform für maschinelles Lernen

TensorFlow erleichtert Anfängern und Experten das Erstellen von Modellen für maschinelles Lernen. Lesen Sie die folgenden Abschnitte, um loszulegen.

Siehe Tutorials

In den Tutorials erfahren Sie, wie Sie TensorFlow mit vollständigen End-to-End-Beispielen verwenden.

Siehe die Anleitung

Anleitungen erläutern die Konzepte und Komponenten von TensorFlow.

Für Anfänger

Der beste Ausgangspunkt ist die benutzerfreundliche sequentielle API. Sie können Modelle erstellen, indem Sie Bausteine ​​zusammenfügen. Führen Sie das folgende Beispiel „Hallo Welt“ aus und besuchen Sie die Tutorials , um mehr zu erfahren.

Um ML zu lernen, besuchen Sie unsere Bildungsseite . 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 definierbare Schnittstelle für erweiterte Forschung. Erstellen Sie eine Klasse für Ihr Modell und schreiben Sie den Vorwärtsdurchlauf unbedingt. Erstellen Sie einfach benutzerdefinierte Ebenen, Aktivierungen und Trainingsschleifen. Führen Sie das folgende Beispiel „Hallo Welt“ aus und besuchen Sie die Tutorials , um 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 häufig auftretende Probleme

Entdecken Sie Schritt-für-Schritt-Anleitungen, die Sie bei Ihren Projekten unterstützen.

Für Anfänger
Dein erstes neuronales Netzwerk

Trainieren Sie ein neuronales Netzwerk, um Bilder von Kleidung wie Turnschuhen und Hemden in dieser schnellen Übersicht über ein vollständiges TensorFlow-Programm zu klassifizieren.

Für Experten
Generative gegnerische Netzwerke

Trainieren Sie ein generatives gegnerisches Netzwerk, um mithilfe der Keras-Unterklassen-API Bilder von handgeschriebenen Ziffern zu generieren.

Für Experten
Neuronale maschinelle Übersetzung mit Aufmerksamkeit

Trainieren Sie mithilfe der Keras-Unterklassen-API ein Sequenz-zu-Sequenz-Modell für die Übersetzung von Spanisch nach Englisch.

Nachrichten & Ankündigungen

Weitere Updates finden Sie in unserem Blog. Abonnieren Sie unseren monatlichen TensorFlow-Newsletter, um die neuesten Ankündigungen direkt an Ihren Posteingang zu senden.