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

了解有益于您推进工作的各种最新动态,并订阅我们的 TensorFlow 每月简报,直接在您的邮箱中收到最新公告。

2020 年 7 月 14 日
通过 TensorFlow.js 实现 LipSync by YouTube 演示

查看您与流行歌曲《Dance Monkey》的歌词同步程度。此浏览器体验使用 Facemesh 模型估算嘴唇周围的关键点,并对口型同步的准确性打分。

2020 年 7 月 10 日  
TensorFlow 2 与 Object Detection API 强强联合

我们的代码库与 Keras 密切整合,可以使用分布式策略,且能够通过即刻执行轻松调试 - 您期望的所有优点,TensorFlow 2 代码库都可帮您实现。

2020 年 7 月 8 日  
TensorFlow 2.3 已发布!

TensorFlow 2.3 在“tf.data”中引入了解决输入流水线瓶颈问题和节省资源的新功能,同时推出用于预处理数据的 Keras 实验性 Preprocessing Layers 和新的 TF Profiler 工具。

2020 年 6 月 26 日
了解如何微调预训练的 BERT 模型

此新教程展示了使用 BERT 进行文本迁移学习的现成实现,可以让您修改或从头开始重新训练该模型。