Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

TensorFlow è una piattaforma open source end-to-end per l'apprendimento automatico

TensorFlow semplifica la creazione di modelli di apprendimento automatico per principianti ed esperti. Consulta le sezioni seguenti per iniziare.

Vedi tutorial

I tutorial mostrano come utilizzare TensorFlow con esempi completi end-to-end.

Vedi la guida

Le guide spiegano i concetti e i componenti di TensorFlow.

Per principianti

Il miglior punto di partenza è l'intuitiva API sequenziale. È possibile creare modelli collegando insieme i blocchi costitutivi. Esegui l'esempio "Hello World" di seguito, quindi visita i tutorial per saperne di più.

Per imparare il ML, dai un'occhiata alla nostra pagina sull'istruzione . Inizia con programmi di studio curati per migliorare le tue abilità nelle aree ML fondamentali.

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)

Per esperti

L'API di sottoclasse fornisce un'interfaccia definita per esecuzione per la ricerca avanzata. Crea una classe per il tuo modello, quindi scrivi imperativamente il passaggio in avanti. Crea facilmente livelli personalizzati, attivazioni e cicli di formazione. Esegui l'esempio "Hello World" di seguito, quindi visita i tutorial per saperne di più.

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))

Soluzioni a problemi comuni

Esplora tutorial passo dopo passo per aiutarti con i tuoi progetti.

Per principianti
La tua prima rete neurale

Addestra una rete neurale per classificare le immagini di abbigliamento, come scarpe da ginnastica e magliette, in questa rapida panoramica di un programma TensorFlow completo.

Per esperti
Reti generative contraddittorie

Addestra una rete contraddittoria generativa per generare immagini di cifre scritte a mano, utilizzando l'API Keras Subclassing.

Per esperti
Traduzione automatica neurale con attenzione

Addestra un modello da sequenza a sequenza per la traduzione dallo spagnolo all'inglese utilizzando l'API Keras Subclassing.

Notizie e annunci

Dai un'occhiata al nostro blog per ulteriori aggiornamenti e iscriviti alla nostra newsletter TensorFlow per ricevere gli ultimi annunci direttamente nella tua casella di posta.