Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

TensorFlow 2 konzentriert sich auf Einfachheit und Benutzerfreundlichkeit mit Updates wie eifriger Ausführung, intuitiven APIs auf höherer Ebene und flexibler Modellbildung auf jeder Plattform.

Viele Handbücher sind als Jupyter-Notizbücher geschrieben und werden direkt in Google Colab ausgeführt - einer gehosteten Notizbuchumgebung, für die keine Einrichtung erforderlich ist. Klicken Sie auf die Schaltfläche In Google Colab ausführen.

Grundlegende Dokumentation

Installieren Sie das Paket oder erstellen Sie es aus dem Quellcode. GPU-Unterstützung für CUDA®-fähige Karten.
Best Practices und Tools von TensorFlow 2 zum Migrieren Ihres Codes.
Keras ist eine High-Level-API, die sowohl für ML-Anfänger als auch für Forscher einfacher ist.
Erfahren Sie mehr über die grundlegenden Klassen und Funktionen, mit denen TensorFlow funktioniert.
Mit der tf.data API können Sie komplexe Eingabe-Pipelines aus einfachen, wiederverwendbaren Teilen erstellen.
Eine High-Level-API, die ein vollständiges Modell darstellt, das für Skalierung und asynchrones Training entwickelt wurde.
Speichern Sie ein TensorFlow-Modell mithilfe von Prüfpunkten oder im SavedModel-Format.
Verteilen Sie das Training auf mehrere GPUs, mehrere Maschinen oder TPUs.
Best Practices und Optimierungstechniken für eine optimale TensorFlow-Leistung.

Bibliotheken und Erweiterungen

Erkunden Sie zusätzliche Ressourcen , um mithilfe von TensorFlow erweiterte Modelle oder Methoden zu erstellen, und greifen Sie auf domänenspezifische Anwendungspakete zu, die TensorFlow erweitern.

  • Datensätze

    Eine Sammlung von Datensätzen, die mit TensorFlow verwendet werden können.

  • Portion

    Ein TFX-Serving-System für ML-Modelle, das für hohe Leistung in Produktionsumgebungen ausgelegt ist.

  • Wahrscheinlichkeit

    TensorFlow Probability ist eine Bibliothek für probabilistisches Denken und statistische Analyse.

  • MLIR

    MLIR vereinheitlicht die Infrastruktur für Hochleistungs-ML-Modelle in TensorFlow.

  • XLA

    Ein domänenspezifischer Compiler für lineare Algebra, der TensorFlow-Modelle beschleunigt, ohne dass sich der Quellcode ändert.

  • SIG Addons

    Zusätzliche Funktionalität für TensorFlow, die von SIG Addons verwaltet wird.

  • SIG IO

    Datensatz-, Streaming- und Dateisystemerweiterungen, die von SIG IO verwaltet werden.