TensorFlow, makine öğrenimi için uçtan uca bir açık kaynak platformudur

TensorFlow, yeni başlayanların ve uzmanların makine öğrenimi modelleri oluşturmasını kolaylaştırır. Başlamak için aşağıdaki bölümlere bakın.

Eğiticilere bakın

Öğreticiler, eksiksiz, uçtan uca örneklerle TensorFlow'u nasıl kullanacağınızı gösterir.

kılavuza bakın

Kılavuzlar, TensorFlow'un kavramlarını ve bileşenlerini açıklar.

Yeni başlayanlar için

Başlamak için en iyi yer, kullanıcı dostu Sıralı API'dir. Yapı taşlarını birbirine takarak modeller oluşturabilirsiniz. Ziyaret ardından, aşağıdaki “Merhaba Dünya” örnek Run öğreticiler daha fazla bilgi edinmek.

ML bilgi edinmek için check out eğitim sayfasını . Temel makine öğrenimi alanlarındaki becerilerinizi geliştirmek için seçilmiş müfredatlarla başlayın.

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)

Uzmanlar için

Alt Sınıflandırma API'si, gelişmiş araştırma için çalıştırarak tanımla arabirimi sağlar. Modeliniz için bir sınıf oluşturun, ardından ileri geçişi zorunlu olarak yazın. Özel katmanları, etkinleştirmeleri ve eğitim döngülerini kolayca yazın. Ziyaret ardından, aşağıdaki “Merhaba Dünya” örnek Run öğreticiler daha fazla bilgi edinmek.

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))

Sık karşılaşılan sorunlara çözümler

Projelerinizde size yardımcı olacak adım adım öğreticileri keşfedin.

Yeni başlayanlar için
İlk sinir ağınız

Eksiksiz bir TensorFlow programının bu hızlı genel görünümünde spor ayakkabı ve gömlek gibi giysi görüntülerini sınıflandırmak için bir sinir ağı eğitin.

Uzmanlar için
Üretken düşman ağları

Keras Alt Sınıflandırma API'sini kullanarak el yazısı rakamların görüntülerini oluşturmak için üretken bir düşman ağı eğitin.

Uzmanlar için
Dikkatle sinirsel makine çevirisi

Keras Alt Sınıflandırma API'sini kullanarak İspanyolca'dan İngilizce'ye çeviri için diziden diziye bir model eğitin.

Haberler ve duyurular

Bizim göz atın blog ek güncellemeler için ve doğrudan gelen kutunuza gönderilen son duyuruları almak için aylık TensorFlow bültene abone.