Google is committed to advancing racial equity for Black communities. See how.

Why TensorFlow

Que vous soyez expert ou débutant, TensorFlow est une plate-forme de bout en bout qui facilite la création et le déploiement de modèles de machine learning.

Continue

Un écosystème complet pour vous aider à utiliser le machine learning pour résoudre des problèmes concrets complexes.

Création de modèles facilitée

TensorFlow propose différents niveaux d'abstraction. À vous de choisir celui qui correspond à vos besoins. Créez et entraînez des modèles avec l'API de haut niveau Keras, qui simplifie la prise en main de TensorFlow et du machine learning.

S'il vous faut davantage de flexibilité, l'exécution eager permet de bénéficier d'itérations immédiates et d'un débogage intuitif. Pour des tâches d'entraînement plus importantes, utilisez l'API Distribution Strategy, qui permet d'effectuer des entraînements répartis sur différentes configurations matérielles sans modifier la définition du modèle.

Continue

Une production de machine learning fiable en tout lieu

TensorFlow a toujours privilégié une approche axée sur le passage en production. Que ce soit sur des serveurs, des appareils de périphérie ou sur le Web, TensorFlow vous permet de former et de déployer votre modèle facilement, quelles que soient la langue et la plate-forme utilisées.

Optez pour TensorFlow Extended (TFX) si vous avez besoin d'un pipeline de machine learning complet pour la production. Pour exécuter des inférences sur des appareils mobiles ou des appareils de périphérie, utiliser TensorFlow Lite. Entraînez et déployez des modèles dans des environnements JavaScript avec TensorFlow.js.

Continue

Des expérimentations probantes pour la recherche

Créez et entraînez des modèles de pointe sans compromis sur la vitesse ni les performances. TensorFlow vous offre davantage de flexibilité et de contrôle grâce à des fonctionnalités telles que l'API fonctionnelle de Keras et l'API de sous-classification de modèle pour la création de topologies complexes. Pour un prototypage facile et un débogage rapide, privilégiez l'exécution eager.

TensorFlow est également compatible avec tout un écosystème de modules complémentaires, de bibliothèques et de modèles à essayer, dont Ragged Tensors, TensorFlow Probability, Tensor2Tensor et BERT.

Continue

Découvrez notre programme pilote Partenaires de confiance TensorFlow

Nous menons actuellement un programme visant à mettre en relation les entreprises avec des intégrateurs de systèmes spécialistes des solutions de machine learning, qui peuvent vous aider à accélérer l'innovation, trouver des réponses efficaces à vos problèmes et développer votre activité.

Faites appel à un partenaire de confiance TensorFlow

Découvrez nos tout premiers partenaires de confiance. Ils sont là pour vous aider à atteindre plus vite vos objectifs métier grâce au ML.

Découvrir le fonctionnement du machine learning

Aimeriez-vous savoir comment fonctionne un réseau de neurones ? Ou connaître les étapes à suivre pour résoudre un problème de machine learning ? Cette page a été créée pour vous. Voici une brève présentation des fondamentaux du machine learning. Si vous souhaitez approfondir le sujet, et obtenir des informations de niveau débutant et avancé, rendez-vous sur notre page "Apprentissage".

Introduction au machine learning

Le machine learning est une méthode permettant à des logiciels d'effectuer certaines tâches sans programmation ni règles explicites. En programmation traditionnelle, les règles à suivre par l'ordinateur sont spécifiées. Le machine learning suppose une autre approche. Appliquée au monde réel, cette méthode repose bien moins sur le codage que sur l'analyse de données. Les programmateurs fournissent des ensembles d'exemples permettant à l'ordinateur d'apprendre à y reconnaître des caractéristiques récurrentes. Le machine learning s'apparente ainsi à une "programmation basée sur des données".

Étapes pour résoudre un problème de machine learning

Plusieurs étapes sont nécessaires pour analyser des données à l'aide de techniques de machine learning. Pour une présentation détaillée, consultez ce guide qui explique l'intégralité du workflow pour la classification de texte, et décrit les opérations importantes telles que la constitution d'un ensemble de données, ainsi que l'entraînement et l'évaluation d'un modèle avec TensorFlow.

Anatomie d'un réseau de neurones

Un réseau de neurones est un type de modèle que l'on peut entraîner à reconnaître des caractéristiques récurrentes dans des ensembles de données. Il est constitué de couches, y compris des couches d'entrée et de sortie, et d'au moins une couche cachée. Les neurones de chaque couche apprennent des représentations de plus en plus abstraites des données. Par exemple, dans ce diagramme, nous voyons que des neurones détectent des lignes, des formes et des textures. Ces représentations (ou caractéristiques apprises) sont indispensables à la classification des données.

Entraîner un réseau de neurones

L'entraînement des réseaux de neurones s'effectue par descente de gradient. Des pondérations sont initialement attribuées à chaque couche de façon aléatoire, puis leurs valeurs sont progressivement améliorées pour améliorer la précision du réseau de neurones. Une fonction de perte est utilisée pour évaluer l'impression du réseau de neurones, puis une procédure appelée rétropropagation est utilisée pour déterminer les pondérations à augmenter ou à diminuer pour réduire la perte.

Notre communauté

La communauté TensorFlow est un groupe actif de développeurs, de chercheurs, de visionnaires, de bricoleurs et de spécialistes en résolution de problèmes. Nous sommes ouverts à toutes vos propositions de contribution, de collaboration et de partage d'idées.