Zapisz datę! Google I / O powraca w dniach 18-20 maja Zarejestruj się teraz
Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

TensorFlow to kompleksowa platforma open source do uczenia maszynowego

TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.

Zobacz samouczki

Samouczki pokazują, jak używać TensorFlow z kompletnymi, kompleksowymi przykładami.

Zobacz przewodnik

Przewodniki wyjaśniają pojęcia i składniki TensorFlow.

Dla początkujących

Najlepszym miejscem do rozpoczęcia jest przyjazny dla użytkownika interfejs Sequential API. Możesz tworzyć modele, łącząc ze sobą bloki konstrukcyjne. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki, aby dowiedzieć się więcej.

Aby nauczyć się ML, odwiedź naszą stronę edukacyjną . Rozpocznij od programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach 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)

Dla ekspertów

Subclassing API zapewnia interfejs definiowany przez uruchomienie dla zaawansowanych badań. Utwórz klasę dla swojego modelu, a następnie koniecznie zapisz przebieg do przodu. Z łatwością twórz niestandardowe warstwy, aktywacje i pętle szkoleniowe. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki, aby dowiedzieć się więcej.

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))

Rozwiązania typowych problemów

Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.

Dla początkujących
Twoja pierwsza sieć neuronowa

Wytrenuj sieć neuronową, aby klasyfikować obrazy ubrań, takich jak tenisówki i koszule, w tym szybkim przeglądzie pełnego programu TensorFlow.

Dla ekspertów
Generatywne sieci przeciwstawne

Wytrenuj generatywną sieć kontradyktoryjną, aby generowała obrazy odręcznych cyfr za pomocą interfejsu API Keras Subclassing.

Dla ekspertów
Tłumaczenie maszynowe z zachowaniem uwagi

Wytrenuj model sekwencyjny do tłumaczenia z hiszpańskiego na angielski za pomocą interfejsu API podklasowania Keras.

Wiadomości i ogłoszenia

Sprawdź nasz blog, aby uzyskać dodatkowe aktualizacje, i zapisz się do naszego comiesięcznego biuletynu TensorFlow, aby otrzymywać najnowsze ogłoszenia bezpośrednio na swoją skrzynkę odbiorczą.