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。




TensorFlow 推薦功能簡介
我們很高興引進 TensorFlow 推薦功能 (TFRS) 這個開放原始碼 TensorFlow 套件,讓建立、評估和提供複雜推薦功能模型的作業變得更簡單。

TF-Coder 簡介 – 撰寫複雜 TensorFlow 運算式的工具
TF-Coder 是一種程式合成工具,可協助撰寫 TensorFlow 程式碼。透過說明範例示範,TF-Coder 會自動提供相對應程式碼,而非撰寫複雜的張量操作程式。在程式碼研究室中自行嘗試吧!

TensorFlow 模型最佳化工具包 - Weight Clustering API
介紹一種由 Arm 提出的權重分群法 API。權重分群法以少量唯一值取代多個不重複參數值,藉此減少儲存空間和模型轉移作業的規模。

透過 TensorFlow.js 示範 LipSync by YouTube
查看你對嘴熱門單曲〈Dance Monkey〉歌詞的功力這個在瀏覽器中執行的功能會使用 Facemesh 模型,預估嘴唇周圍的關鍵點,判斷對嘴的準確率。