از اینکه با Google I/O تنظیم کردید متشکریم. مشاهده همه جلسات در صورت تقاضا تماشا کنید

TensorFlow 2 روی سادگی و سهولت استفاده با به‌روزرسانی‌هایی مانند اجرای مشتاقانه، APIهای سطح بالاتر بصری و ساخت مدل انعطاف‌پذیر بر روی هر پلتفرمی تمرکز دارد.

بسیاری از راهنماها به‌عنوان نوت‌بوک Jupyter نوشته شده‌اند و مستقیماً در Google Colab اجرا می‌شوند—یک محیط نوت‌بوک میزبانی‌شده که نیازی به تنظیم ندارد. روی دکمه Run in Google Colab کلیک کنید.

مستندات ضروری

بسته یا بیلد را از منبع نصب کنید. پشتیبانی از GPU برای کارت‌های دارای CUDA®.
با نحوه انتقال کد TF1.x به TF2 آشنا شوید.
Keras یک API سطح بالا است که برای مبتدیان ML و همچنین محققان آسان‌تر است.
در مورد کلاس ها و ویژگی های اساسی که باعث کارکرد TensorFlow می شوند، بیاموزید.
tf.data API شما را قادر می سازد خطوط لوله ورودی پیچیده ای را از قطعات ساده و قابل استفاده مجدد بسازید.
در مورد بهترین شیوه ها برای توسعه موثر با استفاده از TensorFlow 2 بیاموزید.
یک مدل TensorFlow را با استفاده از نقاط چک یا فرمت SavedModel ذخیره کنید.
آموزش را در چندین GPU، چندین ماشین یا TPU توزیع کنید.
بهترین شیوه ها و تکنیک های بهینه سازی برای عملکرد بهینه TensorFlow.

کتابخانه ها و الحاقات

منابع اضافی را برای ساختن مدل‌ها یا روش‌های پیشرفته با استفاده از TensorFlow کاوش کنید و به بسته‌های کاربردی دامنه خاص که TensorFlow را گسترش می‌دهند، دسترسی پیدا کنید.

  • TensorBoard

    مجموعه ای از ابزارهای تجسم برای درک، اشکال زدایی و بهینه سازی برنامه های TensorFlow.

  • مجموعه داده ها

    مجموعه ای از مجموعه های داده آماده برای استفاده با TensorFlow.

  • بهینه سازی مدل

    جعبه ابزار بهینه سازی مدل TensorFlow مجموعه ای از ابزارها برای بهینه سازی مدل های ML برای استقرار و اجرا است.

  • احتمال

    TensorFlow Probability یک کتابخانه برای استدلال احتمالی و تجزیه و تحلیل آماری است.

  • MLIR

    MLIR زیرساخت را برای مدل های ML با کارایی بالا در TensorFlow یکپارچه می کند.

  • XLA

    یک کامپایلر مخصوص دامنه برای جبر خطی که مدل های TensorFlow را بدون تغییر کد منبع بالقوه تسریع می کند.

  • SIG IO

    مجموعه داده، جریان و پسوندهای سیستم فایل، که توسط SIG IO نگهداری می شود.