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 korzystać z TensorFlow z kompletnymi, kompleksowymi przykładami.

Zobacz przewodnik

Przewodniki wyjaśniają koncepcje i komponenty TensorFlow.

Dla początkujących

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

Aby dowiedzieć ml, sprawdź naszą stronę edukacji . Zacznij od wyselekcjonowanych programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach uczenia maszynowego.

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

Interfejs API do tworzenia podklas zapewnia interfejs definiowania po uruchomieniu do zaawansowanych badań. Utwórz klasę dla swojego modelu, a następnie napisz koniecznie podanie w przód. Z łatwością twórz niestandardowe warstwy, aktywacje i pętle treningowe. Uruchom „Hello World” przykład poniżej, a następnie odwiedzić tutoriale , 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

Trenuj sieć neuronową, aby klasyfikować obrazy ubrań, takich jak trampki i koszule, w tym szybkim przeglądzie kompletnego programu TensorFlow.

Dla ekspertów
Sieci generatywnych przeciwników

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

Dla ekspertów
Neuronowe tłumaczenie maszynowe z uwagą

Wytrenuj model sekwencji do sekwencji dla tłumaczenia z hiszpańskiego na angielski za pomocą interfejsu API Keras Subclassing.

Nowości i ogłoszenia

Sprawdź nasz blog na dodatkowe aktualizacje i zapisz się do naszego biuletynu miesięcznego TensorFlow aby uzyskać najnowsze komunikaty wysyłane bezpośrednio do skrzynki odbiorczej.