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

TensorFlow giúp người mới bắt đầu và các chuyên gia dễ dàng tạo các 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 “Hello World” ví dụ dưới đây, sau đó truy cập hướng dẫn để tìm hiểu thêm.

Để tìm hiểu ML, hãy kiểm tra của chúng tôi trang giáo dục . 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 tùy chỉnh, kích hoạt và vòng đào tạo. Chạy “Hello World” ví dụ dưới đây, sau đó truy cập 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 nơ-ron để phân loại hình ảnh quần áo, như giày thể thao và áo sơ mi, trong phần tổng quan có nhịp độ nhanh này về chương trình TensorFlow hoàn chỉnh.

Đối với các chuyên gia
Mạng lưới đối thủ tạo ra

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 với sự chú ý

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

Tin tức và thông báo

Kiểm tra của chúng tôi trên blog để cập nhật bổ sung, và đăng ký nhận bản tin hàng tháng của chúng tôi TensorFlow để có được những thông báo mới nhất gửi trực tiếp đến hộp thư của bạn.