TensorFlow to kompleksowa platforma typu open source do uczenia maszynowego
TensorFlow ułatwia początkującym i ekspertom tworzenie modeli uczenia maszynowego. Aby rozpocząć, zapoznaj się z poniższymi sekcjami.
Dla początkujących
Najlepiej zacząć od przyjaznego dla użytkownika interfejsu Sequential API. Możesz tworzyć modele, łącząc ze sobą bloki konstrukcyjne. Uruchom poniższy przykład „Hello World”, a następnie przejdź do samouczków , aby dowiedzieć się więcej.
Aby nauczyć się ML, sprawdź naszą stronę edukacyjną . Zacznij od wyselekcjonowanych programów nauczania, aby poprawić swoje umiejętności w podstawowych obszarach uczenia maszynowego.
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)
Dla ekspertów
Interfejs API podklasy zapewnia interfejs definiowania po uruchomieniu na potrzeby zaawansowanych badań. Utwórz klasę dla swojego modelu, a następnie koniecznie napisz przepustkę do przodu. Z łatwością twórz niestandardowe warstwy, aktywacje i pętle szkoleniowe. Uruchom poniższy przykład „Hello World”, a następnie przejdź do samouczków , aby dowiedzieć się więcej.
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))
Rozwiązania typowych problemów
Zapoznaj się z samouczkami krok po kroku, które pomogą Ci w projektach.
Wytrenuj sieć neuronową w celu klasyfikowania obrazów ubrań, takich jak tenisówki i koszule, w tym dynamicznym omówieniu kompletnego programu TensorFlow.
Generuj obrazy w oparciu o monit tekstowy, korzystając z implementacji KerasCV modelu Stable Diffusion w Stable.ai.
Przetwarzaj wstępnie pliki WAV i trenuj podstawowy model automatycznego rozpoznawania mowy.
Aktualności i ogłoszenia
Sprawdź nasz blog , aby uzyskać dodatkowe aktualizacje, i zasubskrybuj nasz biuletyn TensorFlow, aby otrzymywać najnowsze ogłoszenia bezpośrednio na swoją skrzynkę odbiorczą.