Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

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 ini 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 ramah pengguna. Anda dapat membuat model dengan menyambungkan blok penyusun. Jalankan contoh "Hello World" di bawah, lalu kunjungi tutorial untuk mempelajari lebih lanjut.

Untuk mempelajari ML, lihat halaman pendidikan kami. Mulailah dengan kurikulum yang dikurasi untuk meningkatkan keterampilan Anda di area dasar 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)

Untuk para ahli

Subclassing API menyediakan antarmuka yang ditentukan demi menjalankan untuk penelitian lanjutan. Buat kelas untuk model Anda, lalu tulis forward pass secara imperatif. Buat lapisan khusus, aktivasi, dan loop pelatihan dengan mudah. Jalankan contoh “Hello World” di bawah, lalu kunjungi 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 neural untuk mengklasifikasikan gambar pakaian, seperti sepatu kets dan kemeja, dalam ringkasan singkat dari program TensorFlow lengkap ini.

Untuk para ahli
Jaringan permusuhan generatif

Latih jaringan adversarial generatif untuk menghasilkan gambar digit tulisan tangan, menggunakan API Subclassing Keras.

Untuk para ahli
Terjemahan mesin saraf dengan perhatian

Latih model sequence-to-sequence untuk terjemahan bahasa Spanyol ke bahasa Inggris menggunakan Keras Subclassing API.

Berita & pengumuman

Kunjungi blog kami untuk pembaruan tambahan, dan berlangganan buletin TensorFlow bulanan kami untuk mendapatkan pengumuman terbaru yang dikirim langsung ke kotak masuk Anda.