TensorFlow

דף זה תורגם על ידי Cloud Translation API.

פלטפורמה מקצה לקצה ללמידת מכונה

התחל עם TensorFlow

TensorFlow מקל על יצירת מודלים של ML שיכולים לפעול בכל סביבה. למד כיצד להשתמש בממשקי ה-API האינטואיטיביים באמצעות דוגמאות קוד אינטראקטיביות.

צפה בהדרכות

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)

TensorFlow GNN

ניתוח נתונים יחסיים באמצעות גרף רשתות עצביות

GNNs יכולים לעבד מערכות יחסים מורכבות בין אובייקטים, מה שהופך אותם לטכניקה רבת עוצמה לחיזוי תנועה, גילוי רפואי ועוד.

למד על TF GNN

LiteRT

שיפור הגישה לבריאות האם עם ML במכשיר

למד כיצד LiteRT (לשעבר TensorFlow Lite) מאפשרת גישה להערכת אולטרסאונד עוברית, ומשפרת את התוצאות הבריאותיות עבור נשים ומשפחות ברחבי קניה והעולם.

חקור את LiteRT

סוכני TensorFlow

בניית מערכות המלצות עם למידת חיזוק

למד כיצד Spotify משתמש במערכת האקולוגית TensorFlow כדי לעצב סימולטור לא מקוון הניתן להרחבה ולהכשיר את סוכני RL ליצור רשימות השמעה.

קרא את הבלוג

מה חדש ב-TensorFlow

קרא את ההכרזות האחרונות מצוות TensorFlow והקהילה.

חקור את המערכת האקולוגית

גלה כלים שנבדקו בייצור כדי להאיץ מודלים, פריסה וזרימות עבודה אחרות.

סִפְרִיָה
TensorFlow.js
אימון והפעל דגמים ישירות בדפדפן באמצעות JavaScript או Node.js.

סִפְרִיָה

LiteRT

פרוס ML במכשירים ניידים וקצה כמו Android, iOS, Raspberry Pi ו-Edge TPU.

ממשק API

tf.data

עיבוד מוקדם של נתונים ויצירת צינורות קלט עבור מודלים של ML.

סִפְרִיָה

TFX

צור צינורות ML לייצור והטמיע שיטות עבודה מומלצות של MLOps.

ממשק API

tf.keras

צור מודלים של ML עם ה-API ברמה גבוהה של TensorFlow.

מַשׁאָב

Kaggle Models

מצא דגמים מאומנים מראש המוכנים לכוונון עדין ולפריסה.

מַשׁאָב

מערכי נתונים של TensorFlow

עיין באוסף מערכי הנתונים הסטנדרטיים להכשרה ואימות ראשוני.

כְּלִי

TensorBoard

הדמיין ועקוב אחר פיתוח מודלים של ML.

כלים למפתחים

כלים להערכת מודלים, אופטימיזציה של ביצועים וייצור זרימות עבודה של 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)