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.

Tutorials ansehen

Tutorials zeigen Ihnen, wie Sie TensorFlow mit vollständigen End-to-End-Beispielen verwenden.

Siehe die Anleitung

Leitfäden erklären die Konzepte und Komponenten von TensorFlow.

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.

Für Anfänger
Ihr erstes neuronales Netz

Trainieren Sie in diesem schnellen Überblick über ein komplettes TensorFlow-Programm ein neuronales Netzwerk, um Bilder von Kleidung wie Turnschuhen und Hemden zu klassifizieren.

Für Experten
Generative gegnerische Netzwerke

Trainieren Sie ein generatives gegnerisches Netzwerk, um Bilder von handgeschriebenen Ziffern mit der Keras Subclassing API zu generieren.

Für Experten
Neuronale maschinelle Übersetzung mit Aufmerksamkeit

Trainieren Sie ein Sequenz-zu-Sequenz-Modell für die Übersetzung vom Spanischen ins Englische mit der Keras Subclassing API.

Neuigkeiten & Ankündigungen

Schauen Sie sich unsere Blog für weitere Updates und abonnieren Sie unseren monatlichen Newsletter TensorFlow die neuesten Ankündigungen direkt in Ihren Posteingang gesendet zu bekommen.