TensorFlow 2.0 RC is available Learn more
TensorFlow 是一个端到端开源机器学习平台

借助 TensorFlow,初学者和专家可以轻松地创建机器学习模型。请参阅以下几部分,了解如何开始使用。

查看教程

教程将通过完整的端到端示例向您展示如何使用 TensorFlow。

查看指南

指南介绍了 TensorFlow 的概念和组件。

针对新手

您最好从用户友好的 Sequential API 入手。通过将构建块组合在一起来创建模块。请运行下面的“Hello World”示例,然后访问教程以了解详情。

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)
针对专家

Subclassing API 提供了由运行定义的高级研究接口。为您的模型创建一个类,然后以命令方式编写前向传播。您可以轻松编写自定义层、激活函数和训练循环。请运行下面的“Hello World”示例,然后访问教程以了解详情。

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))
常见问题的解决方案

浏览分步教程以帮助您完成项目。

针对新手
您的第一个神经网络

在这一完整 TensorFlow 程序的简要介绍中,训练一个对服饰(例如运动鞋和衬衫)图像进行分类的神经网络。

针对专家
生成对抗网络

使用 Keras Subclassing API 训练生成式对抗网络生成手写数字图像。

针对专家
基于注意力的神经机器翻译

使用 Keras Subclassing API 训练一个序列到序列模型以进行从西班牙语到英语的翻译。

News & announcements

See updates to help you with your work, and subscribe to our monthly TensorFlow newsletter to get the latest announcements sent directly to your inbox.

TensorFlow 2.0 测试版发布
2019 年 2 月 27 日 
将代码升级到 TensorFlow 2.0

TensorFlow 2.0 will include many API changes, such as reordering arguments, renaming symbols, and changing default values for parameters. To streamline the changes, the TensorFlow engineering team has created a tf_upgrade_v2 utility that will help transition legacy...

2019 年 5 月 8 日 
开始使用 TensorFlow 2.0(2019 年 Google I/O 大会)

通过代码示例了解面向初学者和专家新推出的用户友好型 API,并了解如何在您的项目中应用 Keras Sequential API、Functional API 和 Subclassing API。

2019 年 6 月 10 日 
宣布推出 TF.Text

TF.Text 是一个 TensorFlow 2.0 库,可以提供预处理功能(基于文本的模型经常会用到此功能),并提供核心 TensorFlow 不具备但对语言建模有用的其他功能。

社区参与

查看参与 TensorFlow 社区活动的更多方式。

GitHub 上的 TensorFlow 
在 StackOverflow 上提问 
社区论坛 
仅发布通告的论坛 
分享您的 TensorFlow 故事