یک پلتفرم سرتاسر برای یادگیری ماشین

TensorFlow را نصب کنید

با TensorFlow شروع کنید

TensorFlow ایجاد مدل های ML را آسان می کند که می توانند در هر محیطی اجرا شوند. نحوه استفاده از APIهای بصری را از طریق نمونه کدهای تعاملی بیاموزید.

مشاهده آموزش ها

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)

شروع سریع را اجرا کنید

مشکلات دنیای واقعی را با ML حل کنید

نمونه هایی از نحوه استفاده از TensorFlow برای پیشرفت تحقیقات و ساخت برنامه های کاربردی مبتنی بر هوش مصنوعی را بررسی کنید.

TensorFlow GNN

تجزیه و تحلیل داده های رابطه ای با استفاده از شبکه های عصبی گراف

GNN ها می توانند روابط پیچیده بین اشیا را پردازش کنند و آنها را به یک تکنیک قدرتمند برای پیش بینی ترافیک، کشف پزشکی و موارد دیگر تبدیل کنند.

درباره TF GNN بیاموزید

LiteRT

بهبود دسترسی به سلامت مادر با ML روی دستگاه

بیاموزید که چگونه LiteRT (TensorFlow Lite سابق) دسترسی به ارزیابی سونوگرافی جنین را امکان پذیر می کند و نتایج سلامتی را برای زنان و خانواده ها در سراسر کنیا و جهان بهبود می بخشد.

LiteRT را کاوش کنید

عوامل تنسورفلو

سیستم های توصیه را با یادگیری تقویتی بسازید

بیاموزید که چگونه Spotify از اکوسیستم TensorFlow برای طراحی یک شبیه‌ساز آفلاین قابل توسعه و آموزش عوامل RL برای تولید لیست‌های پخش استفاده می‌کند.

وبلاگ را بخوانید

تازه های TensorFlow

آخرین اطلاعیه های تیم و انجمن TensorFlow را بخوانید.

اکوسیستم را کاوش کنید

ابزارهای آزمایش شده تولید را برای تسریع مدل‌سازی، استقرار و سایر گردش‌های کاری کشف کنید.

• کتابخانه

  TensorFlow.js

  با استفاده از JavaScript یا Node.js، مدل ها را مستقیماً در مرورگر آموزش دهید و اجرا کنید.

کتابخانه

LiteRT

ML را در دستگاه‌های تلفن همراه و لبه‌ای مانند Android، iOS، Raspberry Pi و Edge TPU اجرا کنید.

API

tf.data

داده ها را از قبل پردازش کنید و خطوط لوله ورودی برای مدل های ML ایجاد کنید.

کتابخانه

TFX

خطوط لوله ML تولیدی ایجاد کنید و بهترین شیوه های MLOps را اجرا کنید.

API

tf.keras

مدل های ML را با API سطح بالای TensorFlow ایجاد کنید.