แพลตฟอร์มแบบครบวงจรสำหรับการเรียนรู้ของเครื่อง

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

ปรับปรุงการเข้าถึงสุขภาพของมารดาด้วย ML บนอุปกรณ์

เรียนรู้ว่า TensorFlow Lite ช่วยให้สามารถเข้าถึงการประเมินอัลตราซาวนด์ของทารกในครรภ์ ปรับปรุงผลลัพธ์ด้านสุขภาพสำหรับผู้หญิงและครอบครัวทั่วเคนยาและทั่วโลกได้อย่างไร

สร้างระบบการแนะนำด้วยการเรียนรู้แบบเสริมกำลัง

เรียนรู้วิธีที่ Spotify ใช้ระบบนิเวศ TensorFlow เพื่อออกแบบโปรแกรมจำลองออฟไลน์ที่ขยายได้ และฝึกอบรมตัวแทน RL เพื่อสร้างเพลย์ลิสต์

ปรับใช้โมเดลภาษาขนาดใหญ่บน Android

เรียนรู้วิธีเพิ่มประสิทธิภาพ LLM และปรับใช้ด้วย TensorFlow Lite สำหรับแอปพลิเคชัน AI ทั่วไป

มีอะไรใหม่ใน TensorFlow

อ่านประกาศล่าสุดจากทีมงานและชุมชน TensorFlow

  • เครื่องมือสำหรับนักพัฒนา

    เครื่องมือในการประเมินโมเดล เพิ่มประสิทธิภาพ และสร้างเวิร์กโฟลว์ ML