Trang này được dịch bởi Cloud Translation API.
Switch to English

TensorFlow là một nền tảng mã nguồn mở end-to-end dành cho học máy

TensorFlow giúp người mới bắt đầu và chuyên gia dễ dàng tạo mô hình học máy. Xem các phần bên dưới để bắt đầu.

Xem hướng dẫn

Hướng dẫn chỉ cho bạn cách sử dụng TensorFlow với các ví dụ hoàn chỉnh, từ đầu đến cuối.

Xem hướng dẫn

Hướng dẫn giải thích các khái niệm và thành phần của TensorFlow.

Cho những người mới bắt đầu

Nơi tốt nhất để bắt đầu là với API tuần tự thân thiện với người dùng. Bạn có thể tạo mô hình bằng cách cắm các khối xây dựng lại với nhau. Chạy ví dụ “Hello World” bên dưới, sau đó truy cập hướng dẫn để tìm hiểu thêm.

Để tìm hiểu ML, hãy xem trang giáo dục của chúng tôi. Bắt đầu với các chương trình giảng dạy được tuyển chọn để nâng cao kỹ năng của bạn trong các lĩnh vực ML cơ bản.

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)

Đối với các chuyên gia

API phân lớp cung cấp giao diện xác định theo từng bước chạy cho nghiên cứu nâng cao. Tạo một lớp cho mô hình của bạn, sau đó viết chuyển tiếp một cách ngầm định. Dễ dàng tạo các lớp, kích hoạt và vòng huấn luyện tùy chỉnh. Chạy ví dụ “Hello World” bên dưới, sau đó truy cập các hướng dẫn để tìm hiểu thêm.

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))

Giải pháp cho các vấn đề chung

Khám phá hướng dẫn từng bước để giúp bạn với các dự án của mình.

Cho những người mới bắt đầu
Mạng nơ-ron đầu tiên của bạn

Đào tạo mạng lưới thần kinh để phân loại hình ảnh quần áo, như giày thể thao và áo sơ mi, trong phần tổng quan có nhịp độ nhanh này của chương trình TensorFlow hoàn chỉnh.

Đối với các chuyên gia
Mạng lưới đối thủ chung

Đào tạo một mạng đối thủ chung để tạo ra hình ảnh của các chữ số viết tay, sử dụng API phân lớp Keras.

Đối với các chuyên gia
Dịch máy thần kinh có chú ý

Đào tạo mô hình tuần tự để dịch tiếng Tây Ban Nha sang tiếng Anh bằng cách sử dụng API phân lớp Keras.

Tin tức và thông báo

Hãy xem blog của chúng tôi để biết thêm thông tin cập nhật và đăng ký nhận bản tin TensorFlow hàng tháng của chúng tôi để nhận những thông báo mới nhất được gửi trực tiếp đến hộp thư đến của bạn.

Ngày 14 tháng 7 năm 2020
Bản trình diễn LipSync của YouTube với TensorFlow.js

Xem mức độ bạn đồng bộ hóa với lời bài hát của bản hit nổi tiếng "Dance Monkey". Trải nghiệm trong trình duyệt này sử dụng mô hình Facemesh để ước tính các điểm chính xung quanh môi nhằm ghi lại độ chính xác khi đồng bộ hóa môi.

Ngày 10 tháng 7 năm 2020  
TensorFlow 2 đáp ứng API phát hiện đối tượng

Cơ sở mã của chúng tôi cung cấp tích hợp Keras chặt chẽ, quyền truy cập vào các chiến lược phân phối, gỡ lỗi dễ dàng với khả năng thực thi nhanh chóng - tất cả những tính năng mà người ta có thể mong đợi từ cơ sở mã TensorFlow 2.

Ngày 8 tháng 7 năm 2020  
TensorFlow 2.3 là ở đây!

TensorFlow 2.3 giới thiệu các tính năng mới trong 'tf.data' để giải quyết tắc nghẽn đường ống đầu vào và tiết kiệm tài nguyên, Lớp tiền xử lý thử nghiệm Keras để xử lý trước dữ liệu và các công cụ TF Profiler mới.

Ngày 26 tháng 6 năm 2020
Tìm hiểu cách tinh chỉnh mô hình BERT được đào tạo trước

Hướng dẫn mới này cho thấy việc triển khai khả năng học chuyển văn bản bằng BERT, được thiết kế để cho phép bạn sửa đổi hoặc đào tạo lại từ đầu.