选择 TensorFlow 的原因

TensorFlow 是一个端到端平台,无论您是专家还是初学者,它都可以助您轻松构建和部署机器学习模型。

一个完整的生态系统,可以帮助您使用机器学习解决棘手的现实问题

轻松地构建模型

TensorFlow 提供多个抽象级别,因此您可以根据自己的需求选择合适的级别。您可以使用高阶 Keras API 构建和训练模型,该 API 让您能够轻松地开始使用 TensorFlow 和机器学习。

如果您需要更高的灵活性,则可以借助 Eager Execution 进行快速迭代和直观的调试。对于大型机器学习训练任务,您可以使用 Distribution Strategy API 在不同的硬件配置上进行分布式训练,而无需更改模型定义。

Continue

随时随地进行可靠的机器学习生产

TensorFlow 始终提供直接的生产途径。不管是在服务器、边缘设备还是网络上,TensorFlow 都可以助您轻松地训练和部署模型,无论您使用何种语言或平台。

如果您需要完整的生产型机器学习流水线,请使用 TensorFlow Extended (TFX)。要在移动设备和边缘设备上进行推断,请使用 TensorFlow Lite。请使用 TensorFlow.js 在 JavaScript 环境中训练和部署模型。

Continue

强大的研究实验

构建和训练先进的模型,并且不会降低速度或性能。借助 Keras Functional API 和 Model Subclassing API 等功能,TensorFlow 可以助您灵活地创建复杂拓扑并实现相关控制。为了轻松地设计原型并快速进行调试,请使用即刻执行环境。

TensorFlow 还支持强大的附加库和模型生态系统以供您开展实验,包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。

Continue

Explore our TensorFlow Trusted Partner Pilot Program

We are piloting a program to connect businesses with system integrators who are experienced in machine learning solutions, and can help you innovate faster, solve smarter, and scale bigger.

Connect with a TensorFlow Trusted Partner

Explore our initial collection of Trusted Partners who can help accelerate your business goals with ML.

了解机器学习的工作原理

Did you ever want to know how a neural network works? Or what the steps are to solving an ML problem? Don’t worry, we’ve got you covered. Below is a quick overview of the fundamentals of machine learning. Or, if you’re looking for a more in-depth information, head to our education page for beginner and advanced content.

机器学习简介

机器学习是指帮助软件在没有明确的程序或规则的情况下执行任务。进行传统计算机编程时,程序员会指定计算机应该遵守的规则。但是,机器学习需要另一种思维方式。现实中的机器学习对数据分析的注重程度远高于编码。程序员提供一组样本,然后计算机从数据中学习各种模式。您可以将机器学习视为“使用数据进行编程”。

解决机器学习问题的步骤

There are multiple steps in the process of getting answers from data using ML. For a step-by-step overview, check out this guide that shows the complete workflow for text classification, and describes important steps like collecting a dataset, and training and evaluating a model with TensorFlow.

神经网络剖析

神经网络是一种可以通过训练来识别各种模式的模型。神经网络由多个层组成,包括输入层和输出层,以及至少一个隐藏层。各层中的神经元会学习越来越抽象的数据表示法。例如,在此可视化图表中,我们看到了检测线条、形状和纹理的神经元。这些表示法(或学习的特征)可以用来对数据进行分类。

训练神经网络

神经网络是通过梯度下降法进行训练的。每层中的权重都以随机值开始,并且这些权重会随着时间的推移以迭代的方式不断改进,使网络更准确。我们使用损失函数量化网络的不准确程度,并使用一种名为“反向传播算法”的流程确定每个权重应该增加还是降低以减小损失。

我们的社区

TensorFlow 社区是一个由开发者、研究人员、创想家、生手和问题解决者组成的活跃群组。您可以随时通过此社区贡献代码、进行合作以及分享您的想法。