TensorFlow est une plate-forme Open Source de bout en bout dédiée au machine learning.
Avec TensorFlow, il est plus facile aux débutants comme aux experts de créer des modèles de machine learning. Consultez les sections ci-dessous pour vous lancer.
Pour les débutants
Nous vous conseillons de commencer par un outil facile à utiliser : l'API Sequential. Vous pouvez créer des modèles en connectant différents composants. Exécutez l'exemple "Hello World" suivant, puis accédez aux tutoriels pour en savoir plus .
Pour découvrir le ML, consultez notre page "Apprentissage". Commencez par notre sélection de programmes afin de mieux maîtriser les fondamentaux du ML.
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)
Pour les experts
Cette API de sous-classification permet de bénéficier d'une interface redéfinie en fonction de chaque exécution pour la recherche de pointe. Créez une classe pour votre modèle, puis codez la propagation avant sous forme impérative. Créez facilement des couches, des activations et de boucles d'entraînement adaptées à vos besoins. Exécutez l'exemple "Hello World" suivant, puis accédez aux tutoriels pour en savoir plus.
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))
Solutions aux problèmes fréquents
Découvrez des tutoriels détaillés conçus pour vous aider à avancer sur vos projets.
Entraînez un réseau neuronal à classifier des images de vêtements (chaussures de sport et t-shirts, par exemple), dans cet aperçu rapide d'un programme TensorFlow complet.
Générez des images à partir d'une requête textuelle à l'aide de l'implémentation KerasCV du modèle Stable Diffusion de stability.ai.
Prétraiter des fichiers WAV et entraîner un modèle de reconnaissance vocale automatique de base
Actualités et annonces
Consultez notre blog pour en savoir plus, et abonnez-vous à notre newsletter TensorFlow pour recevoir directement les dernières annonces.
Implication de la communauté
Découvrez d'autres façons de s'impliquer dans la communauté TensorFlow.