TensorFlow adalah platform open source ujung ke ujung untuk pembelajaran mesin

TensorFlow memudahkan pemula dan pakar untuk membuat model pembelajaran mesin. Lihat bagian di bawah untuk memulai.

Lihat tutorial

Tutorial menunjukkan cara menggunakan TensorFlow dengan contoh lengkap dan menyeluruh.

Lihat panduannya

Panduan menjelaskan konsep dan komponen TensorFlow.

Untuk pemula

Tempat terbaik untuk memulai adalah dengan Sequential API yang mudah digunakan. Anda dapat membuat model dengan menyambungkan blok penyusun. Jalankan “Hello World” contoh di bawah ini, kemudian mengunjungi tutorial untuk mempelajari lebih lanjut.

Untuk mempelajari ML, Lihat halaman pendidikan . Mulailah dengan kurikulum pilihan untuk meningkatkan keterampilan Anda di area ML dasar.

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)

Untuk para ahli

Subclassing API menyediakan antarmuka yang ditentukan demi yang dijalankan untuk penelitian lanjutan. Buat kelas untuk model Anda, lalu tulis pass maju secara imperatif. Buat lapisan kustom, aktivasi, dan loop pelatihan dengan mudah. Jalankan “Hello World” contoh di bawah ini, kemudian mengunjungi tutorial untuk mempelajari lebih lanjut.

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))

Solusi untuk masalah umum

Jelajahi tutorial langkah demi langkah untuk membantu Anda dengan proyek Anda.

Untuk pemula
Jaringan saraf pertama Anda

Latih jaringan saraf untuk mengklasifikasikan gambar pakaian, seperti sepatu kets dan kemeja, dalam ikhtisar cepat program TensorFlow lengkap ini.

Untuk para ahli
Jaringan permusuhan generatif

Latih jaringan permusuhan generatif untuk menghasilkan gambar angka tulisan tangan, menggunakan Keras Subclassing API.

Untuk para ahli
Terjemahan mesin saraf dengan perhatian

Latih model urutan-ke-urutan untuk terjemahan Bahasa Spanyol ke Bahasa Inggris menggunakan Keras Subclassing API.

Berita & pengumuman

Lihat blog untuk update tambahan, dan berlangganan TensorFlow newsletter bulanan kami untuk mendapatkan pengumuman terbaru dikirim langsung ke inbox Anda.