TensorFlow Core API menyediakan serangkaian API tingkat rendah yang komprehensif, dapat disusun, dan dapat diperluas untuk komputasi berperforma tinggi (terdistribusi dan dipercepat), terutama ditujukan untuk membangun model pembelajaran mesin (ML) serta membuat alat dan kerangka kerja alur kerja ML di dalam Platform TensorFlow. API ini memberikan landasan untuk membuat model yang sangat dapat dikonfigurasi dengan kontrol yang sangat halus dan kerangka kerja baru dari bawah ke atas.
Core API dapat digunakan sebagai alternatif untuk API pembelajaran mesin tingkat tinggi seperti Keras. API tingkat tinggi ini paling cocok untuk kebutuhan pembelajaran mesin umum. Mereka menawarkan berbagai modul yang mengabstraksi kompleksitas ML sekaligus menawarkan fungsionalitas untuk penyesuaian melalui subklasifikasi. Jika Anda mencari ikhtisar TensorFlow menggunakan Keras, lihat bagian Quickstarts dan Keras di tutorial .
Siapa yang harus menggunakan Core API
API tingkat rendah TensorFlow Core dirancang dengan mempertimbangkan developer ML berikut:
- Peneliti membangun model kompleks dengan tingkat konfigurasi yang tinggi
- Pengembang yang tertarik menggunakan TensorFlow sebagai platform komputasi ilmiah berperforma tinggi
- Pembuat framework membuat alat di atas platform TensorFlow
- Pengguna API tingkat tinggi tertarik pada:
- Menambahkan fungsionalitas tambahan ke alur kerja pembelajaran mesin mereka seperti lapisan kustom, kerugian, model, dan pengoptimal
- Pelajari lebih lanjut tentang cara kerja bagian dalam model mereka
Aplikasi API inti
TensorFlow Core API menyediakan akses ke fungsionalitas tingkat rendah dalam ekosistem TensorFlow. API ini memberikan lebih banyak fleksibilitas dan kontrol untuk membangun model, aplikasi, dan alat ML, dibandingkan dengan API tingkat tinggi, seperti Keras.
Bangun model dan alur kerja
Core API paling umum digunakan untuk membangun model dan alur kerja pembelajaran mesin yang sangat dapat disesuaikan dan dioptimalkan. Berikut adalah beberapa cara agar TensorFlow Core API dapat meningkatkan model pembelajaran mesin dan pengembangan alur kerja Anda:
- Membangun model atau lapisan non-tradisional yang tidak sepenuhnya sesuai dengan struktur yang didukung oleh API tingkat tinggi
- Membangun lapisan khusus, kerugian, model, dan pengoptimal dalam Keras
- Menerapkan teknik pengoptimalan baru untuk mempercepat konvergensi selama pelatihan
- Membuat metrik khusus untuk evaluasi kinerja
- Merancang loop pelatihan yang sangat dapat dikonfigurasi dengan dukungan untuk fitur seperti pengelompokan, validasi silang, dan strategi distribusi
Bangun kerangka kerja dan alat
TensorFlow Core API juga dapat berfungsi sebagai blok penyusun untuk kerangka kerja tingkat tinggi yang baru. Berikut beberapa contoh alat dan kerangka kerja yang dibuat dengan API tingkat rendah: 
- Keras : pembelajaran mendalam bagi manusia
- TensorFlow Model Optimization Toolkit : rangkaian fitur untuk mengoptimalkan model ML untuk penerapan dan eksekusi
- TensorFlow Graphics : library untuk membuat fungsi grafik yang bermanfaat dapat diakses secara luas
Bangun untuk komputasi ilmiah
TensorFlow Core API juga dapat diterapkan di luar bidang machine learning. Berikut adalah beberapa kasus penggunaan umum TensorFlow untuk komputasi ilmiah: 
- Simulasi fisika untuk masalah mekanika padat dan dinamika fluida
- Aplikasi rendering grafik seperti ray tracing
- Memecahkan masalah pengoptimalan terbatas
Komponen API inti
Berikut adalah beberapa komponen fundamental yang terdiri dari API level rendah TensorFlow Core. Perhatikan bahwa ini bukan daftar yang mencakup semua:
- Struktur data :
tf.Tensor,tf.Variable,tf.TensorArray - API primitif:
tf.shape, slicing ,tf.concat,tf.bitwise - Numerik:
tf.math,tf.linalg,tf.random - Komponen fungsional:
tf.function,tf.GradientTape - Distribusi: DTensor
- Ekspor:
tf.saved_model
Langkah selanjutnya
Dokumentasi Build with Core menyediakan tutorial tentang konsep dasar machine learning dari awal. Tutorial di bagian ini membantu Anda membiasakan diri menulis kode tingkat rendah dengan Core API yang kemudian dapat Anda terapkan pada kasus penggunaan Anda sendiri yang lebih kompleks.
Untuk mulai menggunakan dan mempelajari lebih lanjut tentang Core API, lihat Quickstart untuk TensorFlow Core .