透過機器學習協助解決具有挑戰性的實際問題，運作環境有如完整的生態系統。
輕鬆建構模型
TensorFlow 提供了多個抽象層，讓你可以選擇適合自己的抽象層。請使用高階 Keras API 來建構並訓練模型，這個 API 能讓你更容易開始使用 TensorFlow 和機器學習。
如需更多彈性，Eager Execution 可讓你立即進行疊代，偵錯也相當符合直覺。如要進行大型的機器學習訓練工作，請使用 Distribution Strategy API，以便在不同硬體配置下進行分散式訓練，而無須變更模型定義。
所有機器學習的生產環境都很健全
TensorFlow 一向都提供直達生產環境的最短途徑。不管是在伺服器、邊緣裝置或是網路上，無論使用的是哪一種語言或平台，TensorFlow 都能讓你輕鬆訓練及部署模型。
如需生產環境下完整的機器學習管道，請使用 TFX。如要在行動裝置及邊緣裝置上執行推論，請使用 TensorFlow Lite。如要在 JavaScript 環境中訓練及部署模型，則請使用 TensorFlow.js。
強大的研究性實驗
建構及訓練最先進的模型，完全不必犧牲速度或效能。TensorFlow 具備 Keras Functional API 和 Model Subclassing API 等功能，可用於建立複雜的拓撲，讓你享有彈性及主控權。如要輕鬆設計出原型並快速進行偵錯，請使用 Eager Execution。
TensorFlow 也支援由強大的外掛程式庫及模型所組成的生態系統，一舉囊括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT，可供你盡情進行實驗。
查看其他公司使用 TensorFlow 的方式
瞭解機器學習的運作方式
你有想過類神經網路是如何運作的嗎？要解決機器學習問題又有哪些步驟？別擔心，我們都能為你解答。下方將帶你快速一覽機器學習的基礎概念。如果你需要更深入的資訊，請前往我們的教育資源頁面，查看新手和進階內容。
機器學習簡介
機器學習是在不使用明確程式碼或規則的情況下，協助軟體執行工作的技術。傳統的電腦程式設計需要由程式設計師指定電腦應使用哪些規則。機器學習則需要不同的思維。實際生活裡的機器學習，注重資料分析遠甚於程式設計。程式設計師需要提供一套範例，讓電腦從資料中學習模式。你可以將機器學習想成是「用資料來寫程式」。
解決機器學習問題的步驟
使用機器學習，從資料中取得答案的過程包含多個步驟。如需逐步概述，請參閱這份指南，其中包含文字分類的完整工作流程，並說明收集資料集，以及使用 TensorFlow 訓練與評估模型等重要步驟。
類神經網路的解剖學
類神經網路是一種模型，經過訓練後可辨識模式。這種模型是由多個輸入層和輸出層所組成，且包含至少一個隱藏層。每一層中的神經元都會學習日益抽象的資料呈現。例如，在這個視覺圖表中，我們可以看到神經元是如何偵測到線條、形狀和紋理的。有了這些資料呈現 (也就是神經元學習到的特徵)，就能將資料分類。
訓練類神經網路
類神經網路是以梯度下降演算法進行訓練。每一層的權重都是先設成隨機值，然後隨著時間推進持續改善，讓類神經網路愈趨準確。我們會使用損失函式，將類神經網路的不準確度量化，同時使用反向傳播程序，判斷是否要增加/減少各權重值，以降低準確度方面的損失。