Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

TensorFlow è una piattaforma open source end-to-end per il machine learning

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

Guarda i 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'API sequenziale di facile utilizzo. È possibile creare modelli collegando insieme elementi costitutivi. Esegui l'esempio "Hello World" di seguito, quindi visita i tutorial per saperne di più.

Per imparare il ML, controlla la nostra pagina di formazione . Inizia con curricula curati per migliorare le tue abilità nelle aree fondamentali del 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)

Per esperti

L'API di sottoclassi fornisce un'interfaccia definita per esecuzione per la ricerca avanzata. Crea una classe per il tuo modello, quindi scrivi il passaggio in avanti in modo imperativo. Crea facilmente livelli personalizzati, attivazioni e cicli di addestramento. 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 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 camicie, in questa rapida panoramica di un programma TensorFlow completo.

Per esperti
Reti generative del contraddittorio

Addestra una rete di antagonismo generativo per generare immagini di cifre scritte a mano, utilizzando l'API di sottoclassi di Keras.

Per esperti
Traduzione automatica neurale con attenzione

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

Notizie e annunci

Consulta il nostro blog per ulteriori aggiornamenti e iscriviti alla nostra newsletter mensile di TensorFlow per ricevere gli ultimi annunci inviati direttamente nella tua casella di posta.

23 settembre 2020  
Presentazione dei consigli di TensorFlow

Siamo entusiasti di presentare TensorFlow Recommenders (TFRS), un pacchetto TensorFlow open source che semplifica la creazione, la valutazione e la fornitura di sofisticati modelli di raccomandazione.

26 agosto 2020  
Ti presentiamo TF-Coder, uno strumento che scrive per te espressioni TensorFlow complicate!

TF-Coder è uno strumento di sintesi di programmi che ti aiuta a scrivere codice TensorFlow. Invece di codificare direttamente manipolazioni tensoriali complicate, dimostralo attraverso un esempio illustrativo e TF-Coder fornisce automaticamente il codice corrispondente. Provalo tu stesso in un Codelab!

11 agosto 2020  
TensorFlow Model Optimization Toolkit - API Weight Clustering

Presentazione di un'API di clustering del peso, proposta e fornita da Arm. Il raggruppamento del peso aiuta a ridurre le dimensioni di archiviazione e trasferimento del modello sostituendo molti valori di parametri univoci con un numero inferiore di valori univoci.

14 luglio 2020  
LipSync by YouTube demo con TensorFlow.js

Guarda come ti sincronizzi con i testi del popolare successo "Dance Monkey". Questa esperienza nel browser utilizza il modello Facemesh per stimare i punti chiave intorno alle labbra per ottenere la precisione della sincronizzazione labiale.