TensorFlow è una piattaforma open source end-to-end per il machine learning
TensorFlow rende facile per principianti ed esperti creare modelli di machine learning. Vedere le sezioni seguenti per iniziare.
Per principianti
Il posto migliore per iniziare è con 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.
Addestra una rete neurale per classificare le immagini di vestiti, come scarpe da ginnastica e camicie, in questa rapida panoramica di un programma TensorFlow completo.
Addestra una rete antagonista generativa per generare immagini di cifre scritte a mano, utilizzando l'API Keras Subclassing.
Addestra un modello da sequenza a sequenza per la traduzione dallo spagnolo all'inglese utilizzando l'API di sottoclassi di Keras.
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.
La nostra base di codice offre una stretta integrazione con Keras, l'accesso alle strategie di distribuzione, un facile debugging con un'esecuzione entusiasta: tutte le chicche che ci si potrebbe aspettare da una base di codice TensorFlow 2.
TensorFlow 2.3 presenta nuove funzionalità in "tf.data" per risolvere i colli di bottiglia della pipeline di input e risparmiare risorse, i livelli di pre-elaborazione sperimentali di Keras per la pre-elaborazione dei dati e nuovi strumenti TF Profiler.
Questo nuovo tutorial mostra un'implementazione standard dell'apprendimento del trasferimento di testo utilizzando BERT, progettato per consentirti di modificarlo o riqualificarlo da zero.