开始使用 TensorFlow

TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 提供了各种 API,可供初学者和专家在桌面、移动、网络和云端环境下进行开发。请参阅以下几部分,了解如何开始使用。

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(),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.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)

学习和使用机器学习

高阶 Keras API 提供了用于创建和训练深度学习模型的构造块。请先查看以下适合初学者的笔记本示例,然后阅读 TensorFlow Keras 指南

  1. 基本分类
  2. 文本分类
  3. 回归
  4. 过拟合和欠拟合
  5. 保存和加载

研究和实验

Eager Execution 提供了由运行定义的命令式高级操作接口。通过自动微分编写自定义层、前向传播和训练循环。请先查看下面的笔记本,然后阅读 Eager Execution 指南

  1. Eager Execution 基础知识
  2. 自动微分和梯度记录
  3. 自定义训练:基础知识
  4. 自定义层
  5. 自定义训练:演示

ML at production scale

Estimator 可在生产环境中用多台机器训练大型模型。TensorFlow 提供了一组预创建的 Estimator 来实现常见的机器学习算法。请参阅 Estimator 指南

  1. 使用 Estimator 构建线性模型
  2. 使用 Estimator 进行宽度与深度学习
  3. 提升树
  4. 如何使用 TF-Hub 构建简单的文本分类器
  5. 使用 Estimator 构建卷积神经网络

Google Colab:学习和使用 TensorFlow 的一种简单方法

Colaboratory 是一个 Google 研究项目,旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境,不需要进行任何设置就可以使用,并且完全在云端运行。 阅读博文

构建首个机器学习应用

创建和部署网页版和移动版 TensorFlow 模型。

网络开发者

TensorFlow.js 是一个采用 WebGL 加速技术的 JavaScript 库,用于在浏览器中针对 Node.js 训练和部署机器学习模型。

移动开发者

TensorFlow Lite 是针对移动设备和嵌入式设备提供的精简解决方案。