Ta strona została przetłumaczona przez Cloud Translation API.

Wprowadzenie do TensorFlow

TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego na komputery stacjonarne, urządzenia mobilne, Internet i chmurę. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.

TensorFlow

Poznaj podstawy TensorFlow dzięki samouczkom dla początkujących i ekspertów, które pomogą Ci stworzyć kolejny projekt uczenia maszynowego.

Ucz się więcej

Dla sieci

Używaj TensorFlow.js do tworzenia nowych modeli uczenia maszynowego i wdrażania istniejących modeli za pomocą JavaScript.

Ucz się więcej

Dla urządzeń mobilnych i urządzeń brzegowych

Uruchamiaj wnioskowanie za pomocą TensorFlow Lite na urządzeniach mobilnych i wbudowanych, takich jak Android, iOS, Edge TPU i Raspberry Pi.

Ucz się więcej

Do produkcji

Wdróż gotowy do produkcji potok ML do trenowania i wnioskowania przy użyciu TFX.

Ucz się więcej

Przygotuj i załaduj dane, aby uzyskać pomyślne wyniki uczenia maszynowego

Dane mogą być najważniejszym czynnikiem sukcesu Twoich przedsięwzięć ML. TensorFlow oferuje wiele narzędzi do obsługi danych, które pomogą Ci konsolidować, czyścić i wstępnie przetwarzać dane na dużą skalę:

Standardowe zestawy danych do wstępnego szkolenia i walidacji
Wysoce skalowalne potoki danych do ładowania danych
Warstwy przetwarzania wstępnego dla typowych transformacji danych wejściowych
Narzędzia do sprawdzania poprawności i przekształcania dużych zbiorów danych

Ponadto odpowiedzialne narzędzia sztucznej inteligencji pomagają wykrywać i eliminować stronniczość danych w celu uzyskiwania uczciwych, etycznych wyników z modeli.

Wypróbuj w Colab

Załaduj i przetwórz wstępnie zestaw danych obrazu Analizuj i wizualizuj zbiory danych

Twórz i dostrajaj modele za pomocą ekosystemu TensorFlow

Poznaj cały ekosystem oparty na platformie Core , który usprawnia budowę, szkolenie i eksport modeli. TensorFlow obsługuje szkolenie rozproszone, natychmiastową iterację modelu i łatwe debugowanie za pomocą Keras i wiele więcej. Narzędzia takie jak Model Analysis i TensorBoard pomagają śledzić rozwój i ulepszenia w całym cyklu życia modelu.

Aby rozpocząć, znajdź kolekcje wstępnie wytrenowanych modeli w TensorFlow Hub od Google i społeczności lub implementacje najnowocześniejszych modeli badawczych w Model Garden . Te biblioteki komponentów wysokiego poziomu umożliwiają korzystanie z zaawansowanych modeli i dostosowywanie ich do nowych danych lub dostosowywanie ich do wykonywania nowych zadań.

Wypróbuj w Colab

Wytrenuj sieć neuronową do klasyfikowania obrazów Przekształć klasyfikator obrazu za pomocą uczenia transferowego

Wdrażaj modele na urządzeniu, w przeglądarce, na miejscu lub w chmurze

TensorFlow zapewnia solidne możliwości wdrażania modeli w dowolnym środowisku — serwerach, urządzeniach brzegowych, przeglądarkach mobilnych, mikrokontrolerach, procesorach, procesorach graficznych, układach FPGA. TensorFlow Serving może uruchamiać modele ML na skalę produkcyjną na najbardziej zaawansowanych procesorach na świecie, w tym na niestandardowych jednostkach przetwarzania Tensor (TPU) firmy Google.

Jeśli potrzebujesz analizować dane blisko ich źródła, aby zmniejszyć opóźnienia i poprawić prywatność danych, platforma TensorFlow Lite umożliwia uruchamianie modeli na urządzeniach mobilnych, urządzeniach przetwarzania brzegowego, a nawet mikrokontrolerach, a platforma TensorFlow.js umożliwia uruchamianie uczenia maszynowego za pomocą wystarczy przeglądarka internetowa.

Wypróbuj w Colab

Obsługuj model za pomocą TensorFlow Serving

Zaimplementuj MLOps dla produkcyjnej ML

Platforma TensorFlow pomaga wdrażać najlepsze praktyki w zakresie automatyzacji danych, śledzenia modeli, monitorowania wydajności i ponownego uczenia modeli.

Używanie narzędzi na poziomie produkcyjnym do automatyzacji i śledzenia szkolenia modeli przez cały okres życia produktu, usługi lub procesu biznesowego ma kluczowe znaczenie dla sukcesu. TFX zapewnia ramy oprogramowania i narzędzia do pełnych wdrożeń MLOps, wykrywając problemy w miarę ewolucji danych i modeli w czasie.