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

API Subclassing 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.

14 Juli 2020
Demo LipSync oleh YouTube dengan TensorFlow.js

Lihat seberapa baik Anda menyelaraskan lirik lagu hit populer "Dance Monkey." Pengalaman dalam browser ini menggunakan model Facemesh untuk memperkirakan poin-poin penting di sekitar bibir untuk menilai akurasi sinkronisasi bibir.

10 Juli 2020  
TensorFlow 2 memenuhi Object Detection API

Basis kode kami menawarkan integrasi Keras yang ketat, akses ke strategi distribusi, proses debug yang mudah dengan eksekusi yang bersemangat - semua hal yang dapat diharapkan dari basis kode TensorFlow 2.

8 Juli 2020  
TensorFlow 2.3 ada di sini!

TensorFlow 2.3 menampilkan fitur-fitur baru di 'tf.data' untuk mengatasi kemacetan pipeline input dan menghemat sumber daya, Lapisan Pra-pemrosesan eksperimental Keras untuk praproses data, dan alat TF Profiler baru.

26 Jun 2020
Pelajari cara menyempurnakan model BERT yang telah dilatih sebelumnya

Tutorial baru ini menunjukkan implementasi pembelajaran transfer teks menggunakan BERT, yang dirancang untuk memungkinkan Anda memodifikasi atau melatihnya kembali dari awal.