Rozpocznij pracę z TensorFlow
TensorFlow ułatwia tworzenie modeli ML, które można uruchomić w dowolnym środowisku. Dowiedz się, jak korzystać z intuicyjnych interfejsów API, korzystając z interaktywnych próbek kodu.
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)
Rozwiązuj rzeczywiste problemy za pomocą ML
Poznaj przykłady wykorzystania TensorFlow do wspierania badań i tworzenia aplikacji opartych na sztucznej inteligencji.

Sieci GNN mogą przetwarzać złożone relacje między obiektami, co czyni je potężną techniką prognozowania ruchu, odkryć medycznych i nie tylko.

Dowiedz się, jak LiteRT (dawniej TensorFlow Lite) umożliwia dostęp do oceny ultrasonograficznej płodu, poprawiając wyniki zdrowotne kobiet i rodzin w Kenii i na świecie.


Dowiedz się, jak Spotify wykorzystuje ekosystem TensorFlow do projektowania rozszerzalnego symulatora offline i szkolenia agentów RL w zakresie generowania list odtwarzania.
Co nowego w TensorFlow
Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.
Poznaj ekosystem
Odkryj narzędzia przetestowane w środowisku produkcyjnym, które przyspieszają modelowanie, wdrażanie i inne przepływy pracy.
Biblioteka
TensorFlow.js
Trenuj i uruchamiaj modele bezpośrednio w przeglądarce za pomocą JavaScript lub Node.js.
Biblioteka
LiteRT
Wdrażaj ML na urządzeniach mobilnych i brzegowych, takich jak Android, iOS, Raspberry Pi i Edge TPU.
API
dane tf
Wstępnie przetwarzaj dane i twórz potoki wejściowe dla modeli uczenia maszynowego.
Biblioteka
TFX
Twórz produkcyjne potoki ML i wdrażaj najlepsze praktyki MLOps.
API
tf.keras
Twórz modele ML za pomocą interfejsu API wysokiego poziomu TensorFlow.