TensorFlow 시작하기
TensorFlow를 사용하면 어떤 환경에서도 실행할 수 있는 ML 모델을 쉽게 만들 수 있습니다. 대화형 코드 샘플을 통해 직관적인 API를 사용하는 방법을 알아보세요.
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)
ML을 사용해 실제 문제 해결하기
TensorFlow를 사용하여 어떻게 연구를 발전시키고 AI 기반 애플리케이션을 빌드하는지에 관한 예시를 살펴보세요.
GNNs can process complex relationships between objects, making them a powerful technique for traffic forecasting, medical discovery, and more.
Learn how LiteRT (formerly TensorFlow Lite) enables access to fetal ultrasound assessment, improving health outcomes for women and families around Kenya and the world.
Spotify가 TensorFlow 생태계를 활용해 어떻게 확장 가능한 오프라인 시뮬레이터를 설계하고 RL 에이전트가 재생목록을 생성하도록 학습시키는지 알아보세요.
TensorFlow의 새로운 기능
TensorFlow팀 및 커뮤니티의 최신 공지사항을 읽어 보세요.
생태계 살펴보기
프로덕션 테스트를 거친 도구를 살펴보고 모델링, 배포, 기타 워크플로의 속도를 높여 보세요.
-
Library
TensorFlow.js
Train and run models directly in the browser using JavaScript or Node.js.
-
Library
LiteRT
Deploy ML on mobile and edge devices such as Android, iOS, Raspberry Pi, and Edge TPU.
-
API
tf.data
Preprocess data and create input pipelines for ML models.
-
Library
TFX
Create production ML pipelines and implement MLOps best practices.
-
API
tf.keras
Create ML models with TensorFlow's high-level API.
-
Resource
Kaggle Models
Find pre-trained models ready for fine-tuning and deployment.
-
Resource
TensorFlow Datasets
Browse the collection of standard datasets for initial training and validation.
-
Tool
TensorBoard
Visualize and track development of ML models.
