TensorFlow 是用於機器學習的端對端開放原始碼平台
無論你是新手還是專家，TensorFlow 都能讓你輕鬆建立機器學習模型。如要開始使用，請參閱下列各節。
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)
適合專家
Subclassing API 提供依據執行情況動態定義 (define-by-run) 的介面，可用於進階研究。先建立模型的類別，然後寫入必要的正向傳遞。輕鬆撰寫自訂層、啟動項目，以及訓練迴圈。請執行下方的「Hello World」範例，然後前往 教學課程 瞭解詳情。
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))
常見問題的解決方案
探索可協助你完成專案的逐步教學課程。
