Ta strona została przetłumaczona przez Cloud Translation API.

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.

Ucz się więcej

Dla sieci

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

Ucz się więcej

Dla urządzeń mobilnych i Edge

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

Ucz się więcej

Do produkcji

Wdróż gotowy do produkcji potok ML do trenowania i wnioskowania przy użyciu TFX.

Ucz się więcej

Przygotuj i załaduj dane dla pomyślnych wyników ML

Dane mogą być najważniejszym czynnikiem sukcesu Twoich przedsięwzięć ML. TensorFlow oferuje wiele narzędzi do przetwarzania danych, które pomagają konsolidować, czyścić i wstępnie przetwarzać dane na dużą skalę:

Standardowe zbiory danych do wstępnego szkolenia i walidacji
Wysoce skalowalne potoki danych do ładowania danych
Warstwy wstępnego przetwarzania dla typowych przekształceń wejściowych
Narzędzia do walidacji i przekształcania dużych zbiorów danych

Ponadto odpowiedzialne narzędzia sztucznej inteligencji pomagają odkryć i wyeliminować stronniczość w danych, aby uzyskać uczciwe, etyczne wyniki ze swoich modeli.

Wypróbuj w Colab

Ładowanie i wstępne przetwarzanie zbioru danych obrazu Zbadaj i wizualizuj zbiory danych

Twórz i dostosowuj modele za pomocą ekosystemu TensorFlow

Poznaj cały ekosystem zbudowany na platformie Core, która usprawnia konstruowanie, trenowanie i eksportowanie modeli. TensorFlow obsługuje rozproszone szkolenie, natychmiastową iterację modelu i łatwe debugowanie za pomocą Keras i wiele więcej. Narzędzia takie jak Model Analysis i TensorBoard pomagają śledzić rozwój i ulepszenia w całym cyklu życia modelu.

Aby rozpocząć, znajdź kolekcje wstępnie przeszkolonych modeli w TensorFlow Hub od Google i społeczności lub implementacje najnowocześniejszych modeli badawczych w Model Garden . Te biblioteki komponentów wysokiego poziomu pozwalają tworzyć zaawansowane modele i dostosowywać je do nowych danych lub dostosowywać je do wykonywania nowych zadań.

Wypróbuj w Colab

Wytrenuj sieć neuronową do klasyfikowania obrazów Ponowne szkolenie klasyfikatora obrazów z uczeniem transferu

Wdrażaj modele na urządzeniu, w przeglądarce, lokalnie lub w chmurze

TensorFlow zapewnia solidne możliwości wdrażania modeli w dowolnym środowisku — serwerach, urządzeniach brzegowych, przeglądarkach, urządzeniach mobilnych, mikrokontrolerach, procesorach, GPU, FPGA. TensorFlow Serving może uruchamiać modele ML na skalę produkcyjną na najbardziej zaawansowanych procesorach na świecie, w tym na niestandardowych jednostkach przetwarzania Tensor (TPU) firmy Google.

Jeśli musisz analizować dane blisko ich źródła, aby zmniejszyć opóźnienia i poprawić prywatność danych, platforma TensorFlow Lite umożliwia uruchamianie modeli na urządzeniach mobilnych, urządzeniach brzegowych, a nawet mikrokontrolerach, a struktura TensorFlow.js umożliwia uruchamianie uczenia maszynowego z tylko przeglądarka internetowa.

Wypróbuj w Colab

Obsługuj model za pomocą TensorFlow Serving

Wdrażanie MLOps do produkcji ML

Platforma TensorFlow pomaga wdrożyć najlepsze praktyki w zakresie automatyzacji danych, śledzenia modeli, monitorowania wydajności i ponownego szkolenia modeli.

Korzystanie z narzędzi na poziomie produkcyjnym do automatyzacji i śledzenia szkolenia modeli przez cały okres życia produktu, usługi lub procesu biznesowego ma kluczowe znaczenie dla sukcesu. TFX zapewnia ramy oprogramowania i narzędzia do pełnych wdrożeń MLOps, wykrywając problemy w miarę ewolucji danych i modeli.