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 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.

23 September 2020  
Memperkenalkan Rekomendasi TensorFlow

Kami dengan senang hati memperkenalkan TensorFlow Recommenders (TFRS), paket TensorFlow sumber terbuka yang memudahkan pembuatan, evaluasi, dan penyajian model pemberi rekomendasi yang canggih.

26 Agustus 2020  
Memperkenalkan TF-Coder, fitur yang menulis ekspresi TensorFlow yang rumit untuk Anda!

TF-Coder adalah fitur sintesis program yang membantu Anda menulis kode TensorFlow. Alih-alih mengkodekan manipulasi tensor yang rumit secara langsung, peragakan melalui contoh ilustratif dan TF-Coder menyediakan kode yang sesuai secara otomatis. Cobalah sendiri di Codelab!

11 Agustus 2020  
Toolkit Pengoptimalan Model TensorFlow - Weight Clustering API

Memperkenalkan API pengelompokan bobot, yang diusulkan dan dikontribusikan oleh Arm. Pengelompokan bobot membantu mengurangi penyimpanan dan ukuran transfer model Anda dengan mengganti banyak nilai parameter unik dengan jumlah nilai unik yang lebih kecil.

14 Juli 2020  
Demo LipSync oleh YouTube dengan TensorFlow.js

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