เริ่มต้นใช้งาน TensorFlow
TensorFlow ทำให้การสร้างโมเดล ML ที่สามารถทำงานได้ในทุกสภาพแวดล้อมเป็นเรื่องง่าย เรียนรู้วิธีใช้ API ที่ใช้งานง่ายผ่านตัวอย่างโค้ดเชิงโต้ตอบ
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)
แก้ไขปัญหาโลกแห่งความเป็นจริงด้วย ML
สำรวจตัวอย่างวิธีการใช้ TensorFlow เพื่อพัฒนาการวิจัยและสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI
GNN สามารถประมวลผลความสัมพันธ์ที่ซับซ้อนระหว่างวัตถุ ทำให้เป็นเทคนิคที่มีประสิทธิภาพสำหรับการพยากรณ์ปริมาณข้อมูล การค้นพบทางการแพทย์ และอื่นๆ
เรียนรู้ว่า LiteRT (เดิมชื่อ TensorFlow Lite) ช่วยให้เข้าถึงการประเมินอัลตราซาวนด์ของทารกในครรภ์ได้อย่างไร ปรับปรุงผลลัพธ์ด้านสุขภาพสำหรับผู้หญิงและครอบครัวทั่วเคนยาและทั่วโลก
เรียนรู้วิธีที่ Spotify ใช้ระบบนิเวศ TensorFlow เพื่อออกแบบโปรแกรมจำลองออฟไลน์ที่ขยายได้ และฝึกอบรมตัวแทน RL เพื่อสร้างเพลย์ลิสต์
มีอะไรใหม่ใน TensorFlow
อ่านประกาศล่าสุดจากทีมงานและชุมชน TensorFlow
สำรวจระบบนิเวศ
ค้นพบเครื่องมือที่ผ่านการทดสอบแล้วเพื่อเร่งการสร้างแบบจำลอง การปรับใช้ และเวิร์กโฟลว์อื่นๆ
ห้องสมุด
TensorFlow.js
ฝึกฝนและรันโมเดลโดยตรงในเบราว์เซอร์โดยใช้ JavaScript หรือ Node.js
ห้องสมุด
LiteRT
ปรับใช้ ML บนมือถือและอุปกรณ์ Edge เช่น Android, iOS, Raspberry Pi และ Edge TPU
เอพีไอ
tf.data
ประมวลผลข้อมูลล่วงหน้าและสร้างไปป์ไลน์อินพุตสำหรับโมเดล ML
ห้องสมุด
TFX
สร้างไปป์ไลน์ ML ที่ใช้งานจริงและใช้แนวทางปฏิบัติที่ดีที่สุดของ MLOps
เอพีไอ
tf.keras
สร้างโมเดล ML ด้วย API ระดับสูงของ TensorFlow
ลิงค์ดิน