TensorFlow 简介

借助 TensorFlow，初学者和专家可以轻松创建适用于桌面、移动、Web 和云环境的机器学习模型。请参阅以下几部分，了解如何开始使用。

TensorFlow

通过面向初学者和专家的教程学习 TensorFlow 基础知识，并运用这些知识创建下一个机器学习项目。

了解详情

针对 Web

通过 TensorFlow.js 使用 JavaScript 创建新的机器学习模型和部署现有模型。

了解详情

针对移动设备和边缘设备

Run inference with LiteRT on mobile and embedded devices like Android, iOS, Edge TPU, and Raspberry Pi.

了解详情

针对生产

使用 TFX 部署可用于生产环境的机器学习流水线，以用于训练和推断。

了解详情

准备和加载数据以获得成功的机器学习结果

数据可能是决定机器学习工作能否成功的最重要因素。 TensorFlow 提供了多种数据工具，可以帮助您大规模整合、清理和预处理数据：

用于初始训练和验证的标准数据集
扩容能力强的 Data Pipelines，可用于加载数据
用于常见输入转换的预处理层
验证和转换大型数据集的工具

此外，Responsible AI 工具可以帮助您发现并消除数据中的偏差，以便模型生成公平且合乎道德的结果。

在 Colab 中试用

加载并预处理图像数据集调查和可视化数据集

利用 TensorFlow 生态系统构建和微调模型

探索基于 Core 框架构建的整个生态系统，Core 框架能够简化模型的构建、训练和导出过程。借助 Keras 等 API，TensorFlow 可支持分布式训练、快速模型迭代和轻松调试。模型分析和 TensorBoard 等工具可以帮助您在模型的整个生命周期中跟踪开发和改进情况。

如需快速入门，不妨前往 TensorFlow Hub 寻找 Google 和社区提供的一系列预训练模型，或者前往 Model Garden 获取先进研究模型的实现。您可以从这些高层级组件库中获得强大的模型，并使用新数据对这些模型进行微调；您也可以对它们进行自定义，以执行新的任务。

在 Colab 中试用

训练神经网络对图像进行分类借助迁移学习技术重新训练图像分类器

在设备上、浏览器中、本地或云端部署模型

TensorFlow provides robust capabilities to deploy your models on any environment - servers, edge devices, browsers, mobile, microcontrollers, CPUs, GPUs, FPGAs. TensorFlow Serving can run ML models at production scale on the most advanced processors in the world, including Google's custom Tensor Processing Units (TPUs).

If you need to analyze data close to its source to reduce latency and improve data privacy, the LiteRT framework lets you run models on mobile devices, edge computing devices, and even microcontrollers, and the TensorFlow.js framework lets you run machine learning with just a web browser.