หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

TensorFlow เป็นแพลตฟอร์มโอเพ่นซอร์สแบบ end-to-end สำหรับการเรียนรู้ของเครื่อง

TensorFlow ช่วยให้ผู้เริ่มต้นและผู้เชี่ยวชาญสามารถสร้างโมเดลแมชชีนเลิร์นนิงได้อย่างง่ายดาย ดูหัวข้อด้านล่างเพื่อเริ่มต้น

ดูบทแนะนำ

บทช่วยสอนจะแสดงวิธีใช้ TensorFlow พร้อมตัวอย่างที่สมบูรณ์แบบตั้งแต่ต้นจนจบ

ดูคู่มือ

คำแนะนำอธิบายแนวคิดและส่วนประกอบของ TensorFlow

สำหรับผู้เริ่มต้น

จุดเริ่มต้นที่ดีที่สุดคือ Sequential API ที่ใช้งานง่าย คุณสามารถสร้างแบบจำลองโดยการต่อแบบสำเร็จรูปเข้าด้วยกัน เรียกใช้ตัวอย่าง“ Hello World” ด้านล่างจากนั้นไปที่ บทแนะนำ เพื่อเรียนรู้เพิ่มเติม

หากต้องการเรียนรู้ ML โปรดดู หน้าการศึกษา ของเรา เริ่มต้นด้วยหลักสูตรที่ได้รับการดูแลเพื่อพัฒนาทักษะของคุณในพื้นที่ ML พื้นฐาน

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)

สำหรับผู้เชี่ยวชาญ

Subclassing API มีอินเทอร์เฟซที่กำหนดโดยรันสำหรับการวิจัยขั้นสูง สร้างคลาสสำหรับโมเดลของคุณจากนั้นเขียนฟอร์เวิร์ดพาสอย่างจำเป็น สร้างเลเยอร์การเปิดใช้งานและลูปการฝึกอบรมที่กำหนดเองได้อย่างง่ายดาย เรียกใช้ตัวอย่าง“ Hello World” ด้านล่างจากนั้นไปที่ บทแนะนำ เพื่อเรียนรู้เพิ่มเติม

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))

แนวทางแก้ไขปัญหาทั่วไป

สำรวจบทแนะนำทีละขั้นตอนเพื่อช่วยคุณในโครงการ

สำหรับผู้เริ่มต้น
เครือข่ายประสาทเทียมแรกของคุณ

ฝึกโครงข่ายประสาทเทียมเพื่อจัดประเภทรูปภาพของเสื้อผ้าเช่นรองเท้าผ้าใบและเสื้อเชิ้ตในภาพรวมที่รวดเร็วของโปรแกรม TensorFlow ที่สมบูรณ์นี้

สำหรับผู้เชี่ยวชาญ
เครือข่ายฝ่ายตรงข้ามโดยกำเนิด

ฝึกเครือข่ายฝ่ายตรงข้ามโดยกำเนิดเพื่อสร้างภาพของตัวเลขที่เขียนด้วยลายมือโดยใช้ Keras Subclassing API

สำหรับผู้เชี่ยวชาญ
การแปลด้วยเครื่องประสาทด้วยความสนใจ

ฝึกโมเดลลำดับต่อลำดับสำหรับการแปลภาษาสเปนเป็นอังกฤษโดยใช้ Keras Subclassing API

ข่าวและประกาศ

ตรวจสอบ บล็อก ของเราสำหรับข้อมูลอัปเดตเพิ่มเติมและสมัครรับจดหมายข่าว TensorFlow รายเดือนของเราเพื่อรับประกาศล่าสุดที่ส่งตรงไปยังกล่องจดหมายของคุณ

14 กรกฎาคม 2020
LipSync โดยการสาธิต YouTube ด้วย TensorFlow.js

ดูว่าคุณซิงโครไนซ์กับเนื้อเพลงของ "Dance Monkey" ได้ดีเพียงใด ประสบการณ์ในเบราว์เซอร์นี้ใช้แบบจำลอง Facemesh สำหรับการประมาณจุดสำคัญรอบ ๆ ริมฝีปากเพื่อให้คะแนนความแม่นยำในการซิงค์ริมฝีปาก

10 กรกฎาคม 2020  
TensorFlow 2 ตรงตาม Object Detection API

โค้ดเบสของเรานำเสนอการรวม Keras ที่แน่นหนาเข้าถึงกลยุทธ์การกระจายการดีบักที่ง่ายดายด้วยการดำเนินการที่กระตือรือร้น - สารพัดที่อาจคาดหวังจากโค้ดเบส TensorFlow 2

8 กรกฎาคม 2020  
TensorFlow 2.3 อยู่ที่นี่แล้ว!

TensorFlow 2.3 นำเสนอคุณสมบัติใหม่ใน 'tf.data' เพื่อแก้ปัญหาคอขวดของท่อส่งข้อมูลและประหยัดทรัพยากร Keras Preprocessing Layers สำหรับการประมวลผลข้อมูลล่วงหน้าและเครื่องมือใหม่ของ TF Profiler

26 มิ.ย. 2020
เรียนรู้วิธีการปรับแต่งโมเดล BERT ที่กำหนดไว้ล่วงหน้า

บทช่วยสอนใหม่นี้แสดงให้เห็นถึงการนำการเรียนรู้การถ่ายโอนข้อความไปใช้งานนอกชั้นวางโดยใช้ BERT ซึ่งออกแบบมาเพื่อให้คุณแก้ไขหรือฝึกใหม่ได้ตั้งแต่ต้น