Bibliothèques et extensions
Découvrez des bibliothèques permettant de créer des modèles ou des méthodes avancés avec TensorFlow et accédez à des packages d'applications spécialisées pour enrichir TensorFlow de nouvelles fonctionnalités.
Des algorithmes de pointe pour entraîner, diffuser et interpréter des modèles en utilisant des forêts de décision pour la classification, la régression et le classement.
Une bibliothèque de modèles de machine learning réutilisables. Téléchargez et réutilisez les derniers modèles entraînés avec un minimum de code.
La suite d'outils TensorFlow pour l'optimisation de modèles permet d'apporter des améliorations aux modèles en vue de leur déploiement et de leur exécution.
Une bibliothèque permettant de créer des modèles système pour les outils de recommandation.
Une bibliothèque de solutions de ML flexibles, contrôlées et interprétables avec des contraintes de forme sensées.
Une bibliothèque de fonctionnalités d'infographie allant des appareils photo aux moteurs de rendu, en passant par les lumières et matériaux.
Un framework Open Source qui permet d'appliquer le machine learning et d'effectuer différents calculs sur des données décentralisées.
TensorFlow Probability est une bibliothèque conçue pour faciliter le raisonnement probabiliste et l'analyse statistique.
Tensor2Tensor est une bibliothèque de modèles de deep learning et d'ensembles de données conçue pour rendre le deep learning plus accessible et accélérer la recherche en machine learning.
Une bibliothèque Python comprenant des implémentations d'optimiseurs TensorFlow pour l'entraînement de modèles de machine learning avec confidentialité différentielle.
Une bibliothèque pour l'apprentissage par renforcement dans TensorFlow.
Un framework de recherche permettant un prototypage rapide des algorithmes d'apprentissage par renforcement.
TRFL (à prononcer comme le mot anglais "truffle") est une bibliothèque de composants d'apprentissage par renforcement créée par DeepMind.
Un langage de programmation pour le deep learning distribué, permettant de spécifier une large classe de calculs distribués sur Tensors.
Facilite le stockage et la manipulation de données aux formats disparates, y compris du texte (mots, phrases, caractères) et des lots de longueur variable.
Permet l'utilisation de texte Unicode directement dans TensorFlow.
TensorFlow Ranking est une bibliothèque contenant des techniques permettant de résoudre les problèmes de classement par rangs sur la plate-forme TensorFlow.
Magenta est un projet de recherche qui explore le rôle du machine learning dans un processus de création artistique et musicale.
Nucleus est une bibliothèque de code Python et C++ conçue pour faciliter la lecture, l'écriture et l'analyse de données dans des formats fréquemment utilisés en génomique, tels que SAM et VCF.
Une bibliothèque de DeepMind pour construire des réseaux de neurones.
Un framework d'apprentissage permettant d'entraîner des réseaux de neurones avec des signaux structurés en plus des entrées de caractéristiques.
Des fonctionnalités en plus pour TensorFlow, gérées par le SIG Addons.
Des ensembles de données, des flux de données et des extensions de systèmes de fichiers, gérés par le SIG IO.
TensorFlow Quantum est une bibliothèque de machine learning quantique pour le prototypage rapide de modèles de ML hybrides classiques/quantiques.
Simplifiez et générez des fiches modèles, c'est-à-dire des documents de machine learning qui contextualisent le développement et les performances d'un modèle, et permettent d'en assurer le suivi en toute transparence.
Une bibliothèque permettant de créer et d'entraîner des modèles tout en réduisant ou en éliminant les dangers liés aux biais de performances sous-jacents susceptibles d'affecter les utilisateurs.
Une bibliothèque permettant de calculer facilement des métriques d'équité couramment identifiées pour les classificateurs multiclasses et binaires.
TensorFlow Cloud est une bibliothèque permettant de connecter votre environnement local à Google Cloud.
Des classes et des opérations de texte et TLN prêtes à être utilisées avec TensorFlow 2.