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

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

Guarda i tutorial

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

Guarda la guida

Le guide spiegano i concetti e i componenti di TensorFlow.

Per principianti

Il miglior punto di partenza è con l'API Sequential user-friendly. Puoi creare modelli collegando insieme blocchi di costruzione. Eseguire l'esempio “Ciao Mondo” di seguito, quindi visitare i tutorial per imparare di più.

Per saperne di ML, controllare la nostra pagina di educazione . Inizia con curricula curati per migliorare le tue abilità nelle aree fondamentali del machine learning.

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 Subclassing fornisce un'interfaccia define-by-run per la ricerca avanzata. Crea una classe per il tuo modello, quindi scrivi imperativamente il forward pass. Crea facilmente livelli personalizzati, attivazioni e cicli di formazione. Eseguire l'esempio “Ciao Mondo” di seguito, quindi visitare i tutorial per imparare 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 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 avversarie

Addestra una rete generativa avversaria 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

Controlla il nostro blog per ulteriori aggiornamenti, e iscriviti alla nostra newsletter mensile tensorflow per ottenere gli ultimi annunci direttamente nella tua casella di posta.