Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen

TensorFlow erleichtert Anfängern und Experten das Erstellen von Modellen für maschinelles Lernen. Weitere Informationen finden Sie in den folgenden Abschnitten.

Siehe Tutorials

In Tutorials erfahren Sie, wie Sie TensorFlow mit vollständigen End-to-End-Beispielen verwenden.

Siehe die Anleitung

Anleitungen erläutern die Konzepte und Komponenten von TensorFlow.

Für Anfänger

Der beste Ausgangspunkt ist die benutzerfreundliche sequentielle API. Sie können Modelle erstellen, indem Sie Bausteine ​​zusammenfügen. Führen Sie das folgende Beispiel „Hallo Welt“ aus und besuchen Sie die Tutorials , um mehr zu erfahren.

Um ML zu lernen, besuchen Sie unsere Bildungsseite . Beginnen Sie mit kuratierten Lehrplänen, um Ihre Fähigkeiten in grundlegenden ML-Bereichen zu verbessern.

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

Für Experten

Die Subclassing-API bietet eine definierbare Schnittstelle für erweiterte Forschung. Erstellen Sie eine Klasse für Ihr Modell und schreiben Sie den Vorwärtsdurchlauf unbedingt. Erstellen Sie einfach benutzerdefinierte Ebenen, Aktivierungen und Trainingsschleifen. Führen Sie das folgende Beispiel „Hallo Welt“ aus und besuchen Sie die Tutorials , um mehr zu erfahren.

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

Lösungen für häufig auftretende Probleme

Entdecken Sie Schritt-für-Schritt-Anleitungen, die Sie bei Ihren Projekten unterstützen.

Für Anfänger
Dein erstes neuronales Netzwerk

Trainieren Sie ein neuronales Netzwerk, um Bilder von Kleidung wie Turnschuhen und Hemden in dieser schnellen Übersicht über ein vollständiges TensorFlow-Programm zu klassifizieren.

Für Experten
Generative gegnerische Netzwerke

Trainieren Sie ein generatives gegnerisches Netzwerk, um mithilfe der Keras-Unterklassen-API Bilder von handgeschriebenen Ziffern zu generieren.

Für Experten
Neuronale maschinelle Übersetzung mit Aufmerksamkeit

Trainieren Sie mithilfe der Keras-Unterklassen-API ein Sequenz-zu-Sequenz-Modell für die Übersetzung von Spanisch nach Englisch.

Nachrichten & Ankündigungen

Weitere Updates finden Sie in unserem Blog. Abonnieren Sie unseren monatlichen TensorFlow-Newsletter, um die neuesten Ankündigungen direkt an Ihren Posteingang zu senden.

14. Juli 2020
LipSync von YouTube Demo mit TensorFlow.js

Sehen Sie, wie gut Sie mit den Texten des beliebten Hits "Dance Monkey" synchronisieren. Diese In-Browser-Erfahrung verwendet das Facemesh-Modell zum Schätzen von Schlüsselpunkten um die Lippen, um die Genauigkeit der Lippensynchronisation zu erzielen.

10. Juli 2020  
TensorFlow 2 erfüllt die Objekterkennungs-API

Unsere Codebasis bietet eine enge Keras-Integration, Zugriff auf Verteilungsstrategien, einfaches Debuggen mit eifriger Ausführung - all die Extras, die man von einer TensorFlow 2-Codebasis erwarten kann.

8. Juli 2020  
TensorFlow 2.3 ist da!

TensorFlow 2.3 zeigt neue Funktionen in 'tf.data', um Engpässe bei der Eingabe-Pipeline zu beheben und Ressourcen zu sparen, experimentelle Keras-Vorverarbeitungsebenen für die Datenvorverarbeitung und neue TF Profiler-Tools.

26. Juni 2020
Erfahren Sie, wie Sie ein vorab geschultes BERT-Modell optimieren

Dieses neue Tutorial zeigt eine Standardimplementierung des Lernens zur Textübertragung mit BERT, mit der Sie es von Grund auf ändern oder neu trainieren können.