Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Introduction à TensorFlow
Avec TensorFlow, il est plus facile aux débutants comme aux experts de créer des modèles de machine learning pour des ordinateurs de bureau, des appareils mobiles, le Web ou le cloud. Consultez les sections ci-dessous pour vous lancer.
TensorFlow
Découvrez les bases de TensorFlow avec des tutoriels destinés aux débutants ou aux experts pour vous aider à créer votre prochain projet de machine learning.
Pour le Web
Utilisez TensorFlow.js pour créer de nouveaux modèles de machine learning et déployer des modèles existants avec JavaScript.
Pour les appareils mobiles et de périphérie
Run inference with LiteRT on mobile and embedded devices like Android, iOS, Edge TPU, and Raspberry Pi.
Pour la production
Déployez un pipeline de machine learning prêt pour la production afin d'effectuer des tâches d'entraînement et d'inférence avec TFX.
Préparez et chargez des données pour atteindre de bons résultats de ML
Les données sont l'un des aspects les plus importants de la réussite de vos expérimentations en machine learning.
TensorFlow vous propose de nombreux outils pour la consolidation, le nettoyage et le prétraitement des données à grande échelle :
De plus, les outils d'IA responsable vous permettent d'identifier et d'éliminer les biais présents dans vos données afin de produire des résultats justes et éthiques à partir de vos modèles.
Créez et ajustez des modèles avec l'écosystème TensorFlow
Explorez tout un écosystème reposant sur le framework de base qui simplifie la création, l'entraînement et l'exportation des modèles. TensorFlow permet l'entraînement distribué, l'itération immédiate et le débogage facile avec Keras, et bien d'autres tâches encore. Les outils tels que Model Analysis et TensorBoard vous permettent de suivre le développement et l'amélioration du modèle tout au long de son cycle de vie.
Pour vous aider à prendre la plate-forme en main, vous trouverez dans TensorFlow Hub des collections de modèles pré-entraînés créés par Google et la communauté, et dans Model Garden des implémentations de modèles de recherches de pointe. Ces bibliothèques de composants de haut niveau vous permettent de choisir des modèles puissants et de les adapter avec de nouvelles données ou de les personnaliser pour exécuter de nouvelles tâches.
Déployez des modèles sur l'appareil, dans le navigateur, sur site ou dans le cloud
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.
Implémentez le MLOps pour le ML en production
La plate-forme TensorFlow vous aide à adopter de bonnes pratiques pour l'automatisation des données, le suivi des modèles et des performances, et le réentraînement des modèles.
Utiliser des outils de production pour automatiser et suivre l'entraînement des modèles tout au long du cycle de vie d'un produit, d'un service ou d'un processus métier est essentiel pour réussir. TFX fournit les frameworks et outils logiciels pour des déploiements MLOps intégraux, et détecte les problèmes à mesure que vos données et modèles évoluent.
[null,null,[],[],[],null,["# Introduction to TensorFlow\n==========================\n\nTensorFlow makes it easy for beginners and experts to create machine learning models for desktop, mobile, web, and cloud. See the sections below to get started. \n\n#### TensorFlow\n\nLearn the foundations of TensorFlow with tutorials for beginners and experts to help you create your next machine learning project. \n[Learn more](/tutorials) \n\n#### For Web\n\nUse TensorFlow.js to create new machine learning models and deploy existing models with JavaScript. \n[Learn more](/js) \n\n#### For Mobile \\& Edge\n\nRun inference with LiteRT on mobile and embedded devices like Android, iOS, Edge TPU, and Raspberry Pi. \n[Learn more](https://ai.google.dev/edge/litert) \n\n#### For Production\n\nDeploy a production-ready ML pipeline for training and inference using TFX. \n[Learn more](/tfx) \n\nAn end-to-end platform for machine learning\n-------------------------------------------\n\n### Prepare and load data for successful ML outcomes\n\nData can be the most important factor in the success of your ML endeavors.\nTensorFlow offers multiple data tools to help you consolidate, clean and preprocess data at scale:\n\n- [Standard datasets](https://www.tensorflow.org/datasets) for initial training and validation\n- Highly scalable [data pipelines](https://www.tensorflow.org/guide/data) for loading data\n- [Preprocessing layers](https://www.tensorflow.org/guide/keras/preprocessing_layers) for common input transformations\n- Tools to [validate](https://www.tensorflow.org/tfx/guide/tfdv) and [transform](https://www.tensorflow.org/tfx/guide/tft) large datasets\n\nAdditionally, [responsible AI](https://www.tensorflow.org/responsible_ai) tools help you uncover and eliminate bias in your data to produce fair, ethical outcomes from your models. \n\n#### Try it in Colab\n\n[Load and preprocess an image dataset](https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/load_data/images.ipynb) [Investigate and visualize datasets](https://colab.research.google.com/github/tensorflow/tfx/blob/master/docs/tutorials/data_validation/tfdv_basic.ipynb) \n\n### Build and fine-tune models with the TensorFlow ecosystem\n\nExplore an entire ecosystem built on the [Core framework](https://www.tensorflow.org/guide/basics) that streamlines model construction, training, and export. TensorFlow supports distributed training, immediate model iteration and easy debugging with [Keras](https://keras.io/), and much more. Tools like [Model Analysis](https://www.tensorflow.org/tfx/guide/tfma) and [TensorBoard](https://www.tensorflow.org/tensorboard) help you track development and improvement through your model's lifecycle. \n\nTo help you get started, find collections of pre-trained models at [TensorFlow Hub](https://www.tensorflow.org/hub) from Google and the community, or implementations of state-of-the art research models in the [Model Garden](https://www.tensorflow.org/guide/model_garden). These libraries of high level components allow you to take powerful models, and fine-tune them on new data or customize them to perform new tasks. \n\n#### Try it in Colab\n\n[Train a neural network to classify images](https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/keras/classification.ipynb) [Retrain an image classifier with transfer learning](https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/tf2_image_retraining.ipynb) \n\n### Deploy models on-device, in the browser, on-prem, or in the cloud\n\nTensorFlow provides robust capabilities to deploy your models on any environment - servers, edge devices, browsers, mobile, microcontrollers, CPUs, GPUs, FPGAs. [TensorFlow Serving](https://www.tensorflow.org/tfx/guide/serving) can run ML models at production scale on the most advanced processors in the world, including Google's custom Tensor Processing Units (TPUs). \n\nIf you need to analyze data close to its source to reduce latency and improve data privacy, the [LiteRT](https://ai.google.dev/edge/litert/guide#1_choose_a_model) framework lets you run models on mobile devices, edge computing devices, and even microcontrollers, and the [TensorFlow.js](https://www.tensorflow.org/js) framework lets you run machine learning with just a web browser. \n\n#### Try it in Colab\n\n[Serve a model with TensorFlow Serving](https://colab.research.google.com/github/tensorflow/tfx/blob/master/docs/tutorials/serving/rest_simple.ipynb) \n\n### Implement MLOps for production ML\n\nThe TensorFlow platform helps you implement best practices for data automation, model tracking, performance monitoring, and model retraining. \n\nUsing production-level tools to automate and track model training over the lifetime of a product, service, or business process is critical to success. [TFX](https://www.tensorflow.org/tfx) provides software frameworks and tooling for full MLOps deployments, detecting issues as your data and models evolve over time. \n\n#### Try it in Colab\n\n[Create and run a simple TFX pipeline](https://colab.research.google.com/github/tensorflow/tfx/blob/master/docs/tutorials/tfx/penguin_simple.ipynb) [Track lineage with ML Metadata](https://colab.research.google.com/github/tensorflow/tfx/blob/master/docs/tutorials/mlmd/mlmd_tutorial.ipynb) \n\nLooking to expand your ML knowledge?\n------------------------------------\n\nTensorFlow is easier to use with a basic understanding of machine learning principles and core concepts. Learn and apply fundamental machine learning practices to develop your skills. \n[Learn ML](/resources/learn-ml) \nBegin with curated curriculums to improve your skills in foundational ML areas. \n[Learn more](/resources/learn-ml) \n\nGet started with TensorFlow\n---------------------------\n\n[Explore tutorials](/tutorials)"]]
