Google 致力于为黑人社区推动种族平等。查看具体举措

Wprowadzenie do TensorFlow

TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego dla komputerów stacjonarnych, urządzeń mobilnych, sieci i chmury. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.

Przepływ Tensora

Poznaj podstawy TensorFlow dzięki samouczkom dla początkujących i ekspertów, które pomogą Ci stworzyć kolejny projekt uczenia maszynowego.

Dla JavaScript

Użyj TensorFlow.js do tworzenia nowych modeli uczenia maszynowego i wdrażania istniejących modeli za pomocą JavaScript.

Dla urządzeń mobilnych i IoT

Uruchom wnioskowanie za pomocą TensorFlow Lite na urządzeniach mobilnych i wbudowanych, takich jak Android, iOS, Edge TPU i Raspberry Pi.

Do produkcji

Wdróż gotowy do produkcji potok ML do trenowania i wnioskowania przy użyciu TensorFlow Extended (TFX).

Ekosystem TensorFlow

TensorFlow zapewnia kolekcję przepływów pracy do opracowywania i trenowania modeli przy użyciu języka Python lub JavaScript oraz do łatwego wdrażania w chmurze, lokalnie, w przeglądarce lub na urządzeniu, niezależnie od używanego języka.

Ładowanie i wstępne przetwarzanie danych
Buduj, trenuj i ponownie wykorzystuj modele
Wdrożyć
Rozwój Pythona
GPU procesora TPU
Przepływ Tensora
Zbuduj potoki wejściowe TensorFlow
Interfejs API tf.data umożliwia tworzenie złożonych potoków wejściowych z prostych elementów wielokrotnego użytku.
Badać
Przepływ Tensora
Twórz i trenuj modele za pomocą Keras
tf.keras to wysokopoziomowe API do budowania i trenowania modeli. Obsługuje funkcje specyficzne dla TensorFlow, takie jak szybkie wykonywanie, potoki tf.data i estymatory.
Badać
Przepływ Tensora
Wdrażaj za pomocą Pythona
Wdrażaj na urządzeniu mobilnym lub brzegowym, w przeglądarce lub na dużą skalę za pomocą TensorFlow Serving.
Rozwój JavaScript
Procesor GPU
TensorFlow.js
Korzystaj ze wstępnie wyszkolonych modeli TensorFlow.js, TensorFlow lub TFLite i uruchamiaj je w Internecie lub innych platformach JS.
Urządzenia brzegowe
Procesor GPU RPi
TensorFlow Lite
Wdróż na urządzeniach mobilnych lub wbudowanych, takich jak Android, iOS i Raspberry Pi
Przeczytaj przewodnik programisty i wybierz nowy model lub przeszkol istniejący, przekonwertuj go na skompresowany plik, załaduj na urządzenie brzegowe, a następnie zoptymalizuj.
Badać
Produkcja od końca do końca
GPU procesora TPU
TFX
Sprawdź poprawność danych wejściowych za pomocą walidacji danych TF
Zobacz, jak używać komponentów TFX do analizowania i przekształcania danych, zanim jeszcze zaczniesz trenować model.
Badać
TFX
Inżynieria funkcji z TF Transform
Dowiedz się, jak zdefiniować funkcję przetwarzania wstępnego, która przekształca nieprzetworzone dane w dane używane do trenowania modelu uczenia maszynowego, i zobacz, jak implementacja Apache Beam jest używana do przekształcania danych przez konwersję funkcji przetwarzania wstępnego w potok Beam.
Badać
TFX
Modelowanie i szkolenia
Dowiedz się, jak trenować modele w potoku TFX jako proces zarządzany.
Badać
TFX
Zrozumienie wydajności modelu dzięki analizie modelu TF
Zobacz, jak TensorFlow Model Analysis umożliwia wykonywanie ocen modeli w potoku TFX i wizualizację wyników w notatniku Jupyter.
Badać
TFX
Serwuj modele za pomocą REST API z TF Serving
Dowiedz się, jak TensorFlow Serving umożliwia wdrażanie nowych algorytmów i eksperymentów przy zachowaniu tej samej architektury serwera i interfejsów API.
Badać
Narzędzia
Tensorboard
TensorBoard to narzędzie do wizualizacji treningu i wyników
Dzięki TensorBoard możesz śledzić metryki eksperymentu, takie jak straty i dokładność, wizualizować wykres modelu, umieszczać projekty w niższych przestrzeniach wymiarowych i nie tylko.
Badać
Centrum TensorFlow
TensorFlow Hub to obszerna biblioteka istniejących modeli
TensorFlow Hub to biblioteka do publikowania, odkrywania i używania części modeli uczenia maszynowego zwanych modułami, które można ponownie wykorzystać.
Badać

Chcesz poszerzyć swoją wiedzę na temat uczenia maszynowego?

TensorFlow jest łatwiejszy w użyciu dzięki podstawowemu zrozumieniu zasad uczenia maszynowego i podstawowych pojęć. Naucz się i stosuj podstawowe praktyki uczenia maszynowego, aby rozwijać swoje umiejętności.

Naucz się ML

Zacznij od wyselekcjonowanych programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach uczenia maszynowego.