TensorFlow เป็นแพลตฟอร์มโอเพ่นซอร์สแบบ end-to-end สำหรับการเรียนรู้ของเครื่อง

TensorFlow ทำให้ง่ายสำหรับผู้เริ่มต้นและผู้เชี่ยวชาญในการสร้างแบบจำลองการเรียนรู้ของเครื่อง ดูหัวข้อด้านล่างเพื่อเริ่มต้น

ดูบทแนะนำ

บทช่วยสอนแสดงวิธีใช้ TensorFlow พร้อมตัวอย่างที่สมบูรณ์และครบถ้วน

ดูคำแนะนำ

ไกด์จะอธิบายแนวคิดและส่วนประกอบของ TensorFlow

สำหรับผู้เริ่มต้น

จุดเริ่มต้นที่ดีที่สุดคือ Sequential API ที่ใช้งานง่าย คุณสามารถสร้างแบบจำลองได้โดยการต่อหน่วยการสร้างเข้าด้วยกัน เรียกใช้“Hello World” ตัวอย่างด้านล่างจากนั้นแวะไปที่ บทเรียน เพื่อเรียนรู้เพิ่มเติม

ต้องการเรียนรู้ ML ตรวจสอบของเรา หน้าการศึกษา เริ่มต้นด้วยหลักสูตรที่รวบรวมไว้เพื่อพัฒนาทักษะของคุณในด้าน 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 จัดเตรียมอินเทอร์เฟซแบบกำหนดโดยรันสำหรับการวิจัยขั้นสูง สร้างคลาสสำหรับโมเดลของคุณ จากนั้นเขียน Forward Pass อย่างจำเป็น สร้างเลเยอร์ที่กำหนดเอง การเปิดใช้งาน และลูปการฝึกอบรมได้อย่างง่ายดาย เรียกใช้“Hello World” ตัวอย่างด้านล่างจากนั้นแวะไปที่ บทเรียน 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

สำรวจบทช่วยสอนทีละขั้นตอนเพื่อช่วยคุณในโครงการของคุณ

สำหรับผู้เริ่มต้น
โครงข่ายประสาทเทียมแรกของคุณ

ฝึกโครงข่ายประสาทเทียมเพื่อจำแนกภาพเสื้อผ้า เช่น รองเท้าผ้าใบและเสื้อเชิ้ต ในภาพรวมอย่างรวดเร็วของโปรแกรม TensorFlow ฉบับสมบูรณ์

สำหรับผู้เชี่ยวชาญ
เครือข่ายฝ่ายตรงข้ามกำเนิด

ฝึกอบรมเครือข่ายปฏิปักษ์ generative เพื่อสร้างภาพของตัวเลขที่เขียนด้วยลายมือโดยใช้ Keras Subclassing API

สำหรับผู้เชี่ยวชาญ
การแปลด้วยเครื่องประสาทด้วยความสนใจ

ฝึกโมเดลตามลำดับสำหรับการแปลภาษาสเปนเป็นภาษาอังกฤษโดยใช้ Keras Subclassing API

ข่าวและประกาศ

ตรวจสอบของเรา บล็อก สำหรับการปรับปรุงเพิ่มเติมและสมัครรับจดหมายข่าว TensorFlow รายเดือนของเราที่จะได้รับข่าวสารล่าสุดส่งโดยตรงไปยังกล่องจดหมายของคุณ