Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

TensorFlow 是一个端到端开源机器学习平台

借助 TensorFlow,初学者和专家可以轻松地创建机器学习模型。请参阅以下几部分,了解如何开始使用。

查看教程

教程将通过完整的端到端示例向您展示如何使用 TensorFlow。

查看指南

指南介绍了 TensorFlow 的概念和组件。

针对新手

您最好从用户友好的 Sequential API 入手。您可以将各基础组件组合在一起来创建模型。请运行下面的“Hello World”示例,然后访问教程以了解详情。

要学习机器学习知识,请访问我们的教育页面。从精选课程着手,提升您在机器学习基础领域的技能。

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)

针对专家

Subclassing API 提供了由运行定义的高级研究接口。为您的模型创建一个类,然后以命令方式编写前向传播。您可以轻松编写自定义层、激活函数和训练循环。请运行下面的“Hello World”示例,然后访问教程以了解详情。

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))

常见问题的解决方案

浏览分步教程以帮助您完成项目。

针对新手
您的首个神经网络

在这一完整 TensorFlow 程序的简要介绍中,训练一个对服饰(例如运动鞋和衬衫)图像进行分类的神经网络。

针对专家
生成对抗网络

使用 Keras Subclassing API 训练生成对抗网络来生成手写数字图像。

针对专家
基于注意力的神经机器翻译

使用 Keras Subclassing API 训练一个序列到序列模型以进行从西班牙语到英语的翻译。

新闻和通告

欢迎查看我们的博客,了解其他动态;以及订阅 TensorFlow 每月简报,直接通过邮箱接收最新公告。

2021 年 8 月 10 日  
使用 TensorFlow 构建推荐系统

了解如何使用 TensorFlow 和其他产品构建推荐系统。

2021 年 7 月 7 日  
TensorFlow Hub 对现实世界的影响

了解开发者如何利用它们解决众多领域中的实际问题,并前往 hub.tensorflow.google.cn 探索 TensorFlow Hub 的预训练模型。

2021 年 5 月 19 日  
在设备端部署机器学习模型

探索设备端机器学习网站,了解将机器学习集成到移动应用和 Web 应用的好处,并找到适合常见机器学习场景和自定义使用场景的一站式解决方案。

2021 年 5 月 19 日  
机器学习最新资讯 | 主旨演讲

了解一些有助于开发者针对各种应用场景创建、理解和部署模型的工具。包括 Responsible AI、TensorFlow 2.5、移动设备和微控制器等。