Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

TensorFlow to kompleksowa platforma open source do uczenia maszynowego

TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.

Zobacz samouczki

Samouczki pokazują, jak używać TensorFlow z kompletnymi, kompleksowymi przykładami.

Zobacz przewodnik

Przewodniki wyjaśniają pojęcia i składniki TensorFlow.

Dla początkujących

Najlepszym miejscem do rozpoczęcia jest przyjazny dla użytkownika interfejs Sequential API. Możesz tworzyć modele, łącząc ze sobą bloki konstrukcyjne. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki, aby dowiedzieć się więcej.

Aby nauczyć się ML, odwiedź naszą stronę edukacyjną . Rozpocznij od programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach ML.

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)

Dla ekspertów

Subclassing API zapewnia interfejs definiowany przez uruchomienie dla zaawansowanych badań. Utwórz klasę dla swojego modelu, a następnie koniecznie zapisz przebieg do przodu. Z łatwością twórz niestandardowe warstwy, aktywacje i pętle szkoleniowe. Uruchom poniższy przykład „Hello World”, a następnie odwiedź samouczki, aby dowiedzieć się więcej.

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))

Rozwiązania typowych problemów

Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.

Dla początkujących
Twoja pierwsza sieć neuronowa

Naucz sieć neuronową, aby klasyfikować obrazy ubrań, takich jak tenisówki i koszule, w tym szybkim przeglądzie pełnego programu TensorFlow.

Dla ekspertów
Generatywne sieci przeciwstawne

Wytrenuj generatywną sieć kontradyktoryjną, aby generowała obrazy odręcznych cyfr za pomocą interfejsu API Keras Subclassing.

Dla ekspertów
Neuronowe tłumaczenie maszynowe z uwagą

Wytrenuj model sekwencyjny do tłumaczenia z hiszpańskiego na angielski za pomocą interfejsu API podklasy Keras.

Wiadomości i ogłoszenia

Sprawdź nasz blog, aby uzyskać dodatkowe aktualizacje, i zapisz się do naszego comiesięcznego biuletynu TensorFlow, aby otrzymywać najnowsze ogłoszenia bezpośrednio do swojej skrzynki odbiorczej.

23 września 2020 r  
Przedstawiamy doradców TensorFlow

Z przyjemnością przedstawiamy TensorFlow Recommendenders (TFRS), pakiet TensorFlow typu open source, który ułatwia tworzenie, ocenę i obsługę zaawansowanych modeli rekomendujących.

26 sierpnia 2020 r  
Przedstawiamy TF-Coder, narzędzie, które pisze dla Ciebie skomplikowane wyrażenia TensorFlow!

TF-Coder to narzędzie do syntezy programów, które pomaga pisać kod TensorFlow. Zamiast bezpośredniego kodowania skomplikowanych manipulacji tensorami, zademonstruj to na ilustracyjnym przykładzie, a TF-Coder automatycznie dostarczy odpowiedni kod. Spróbuj sam w Codelab!

11 sierpnia 2020 r  
Zestaw narzędzi do optymalizacji modelu TensorFlow - interfejs API do grupowania wag

Wprowadzenie API do grupowania wag, zaproponowane i dostarczone przez Arm. Grupowanie wag pomaga zmniejszyć rozmiar pamięci i transferu modelu, zastępując wiele unikalnych wartości parametrów mniejszą liczbą unikalnych wartości.

14 lipca 2020 r  
Demo LipSync by YouTube z TensorFlow.js

Zobacz, jak dobrze zsynchronizujesz się z tekstami popularnego hitu „Dance Monkey”. To doświadczenie w przeglądarce wykorzystuje model Facemesh do oszacowania kluczowych punktów wokół ust, aby ocenić dokładność synchronizacji ruchu warg.