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 API sekwencyjnego. 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

Trenuj sieć neuronową, aby klasyfikować obrazy ubrań, takich jak trampki 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 przy użyciu 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 na swoją skrzynkę odbiorczą.

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.

10 lipca 2020 r  
TensorFlow 2 jest zgodny z API Object Detection

Nasza baza kodów oferuje ścisłą integrację z Keras, dostęp do strategii dystrybucji, łatwe debugowanie i szybkie wykonanie - wszystko to, czego można oczekiwać od bazy kodu TensorFlow 2.

8 lipca 2020 r  
TensorFlow 2.3 już jest!

TensorFlow 2.3 prezentuje nowe funkcje w „tf.data” do rozwiązywania wąskich gardeł potoku wejściowego i oszczędzania zasobów, eksperymentalne warstwy preprocessingu Keras do wstępnego przetwarzania danych oraz nowe narzędzia TF Profiler.

26 czerwca 2020 r
Dowiedz się, jak dostroić wstępnie wytrenowany model BERT

Ten nowy samouczek przedstawia gotową implementację nauki transferu tekstu przy użyciu BERT, zaprojektowaną tak, aby umożliwić modyfikowanie lub ponowne szkolenie od podstaw.