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 :

Ensembles de données standards pour l'entraînement initial et la validation
Pipelines de données hautement évolutifs pour charger les données
Couches de prétraitement pour les transformations d'entrée courantes
Outils pour valider et transformer des ensembles de données volumineux

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.

Essayer dans Colab

Charger et prétraiter un ensemble de données d'images Examiner et visualiser des ensembles de données

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.

Essayer dans Colab

Entraîner un réseau de neurones à classer des images Réentraîner un classificateur d'images avec l'apprentissage par transfert

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.

Essayer dans Colab

Diffuser un modèle avec TensorFlow Serving

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.