TensorFlow (original) (raw)
Kompleksowa platforma do uczenia maszynowego
Rozpocznij pracę z TensorFlow
TensorFlow ułatwia tworzenie modeli ML, które można uruchomić w dowolnym środowisku. Dowiedz się, jak korzystać z intuicyjnych interfejsów API, korzystając z interaktywnych próbek kodu.
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)
Co nowego w TensorFlow
Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.
Poznaj ekosystem
Odkryj narzędzia przetestowane w środowisku produkcyjnym, które przyspieszają modelowanie, wdrażanie i inne przepływy pracy.
- Biblioteka
TensorFlow.js
Trenuj i uruchamiaj modele bezpośrednio w przeglądarce za pomocą JavaScript lub Node.js.
- Biblioteka
LiteRT
Wdrażaj ML na urządzeniach mobilnych i brzegowych, takich jak Android, iOS, Raspberry Pi i Edge TPU.
- API
dane tf
Wstępnie przetwarzaj dane i twórz potoki wejściowe dla modeli uczenia maszynowego.
- Biblioteka
TFX
Twórz produkcyjne potoki ML i wdrażaj najlepsze praktyki MLOps.
- API
tf.keras
Twórz modele ML za pomocą interfejsu API wysokiego poziomu TensorFlow.
- Ratunek
Modele Kaggle'a
Znajdź wstępnie przeszkolone modele gotowe do dostrajania i wdrażania.
- Ratunek
Zbiory danych TensorFlow
Przeglądaj kolekcję standardowych zestawów danych do wstępnego szkolenia i walidacji.
- Narzędzie
Płyta Tensor
Wizualizuj i śledź rozwój modeli uczenia maszynowego.
Narzędzia programistyczne
Narzędzia do oceny modeli, optymalizacji wydajności i tworzenia przepływów pracy ML.
Dołącz do społeczności
Współpracuj, znajduj wsparcie i udostępniaj swoje projekty, dołączając do grup zainteresowań lub uczestnicząc w wydarzeniach dla programistów.
Ucz się ML
Nowy w uczeniu maszynowym? Zacznij od wybranych programów nauczania TensorFlow lub przejrzyj bibliotekę zasobów obejmującą książki, kursy online i filmy.
Pozostań w kontakcie
Poznaj najnowsze informacje o uczeniu maszynowym i TensorFlow, śledząc nasze kanały lub zapisując się do newslettera. Zobacz poprzednie biuletyny w archiwum .
Forum
X 
YouTube 
Linkedin
Forum X YouTube Linkedin
,
Kompleksowa platforma do uczenia maszynowego
Rozpocznij pracę z TensorFlow
TensorFlow ułatwia tworzenie modeli ML, które można uruchomić w dowolnym środowisku. Dowiedz się, jak korzystać z intuicyjnych interfejsów API, korzystając z interaktywnych próbek kodu.
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)
Co nowego w TensorFlow
Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.
Poznaj ekosystem
Odkryj narzędzia przetestowane w środowisku produkcyjnym, które przyspieszają modelowanie, wdrażanie i inne przepływy pracy.
- Biblioteka
TensorFlow.js
Trenuj i uruchamiaj modele bezpośrednio w przeglądarce za pomocą JavaScript lub Node.js.
- Biblioteka
LiteRT
Wdrażaj ML na urządzeniach mobilnych i brzegowych, takich jak Android, iOS, Raspberry Pi i Edge TPU.
- API
dane tf
Wstępnie przetwarzaj dane i twórz potoki wejściowe dla modeli uczenia maszynowego.
- Biblioteka
TFX
Twórz produkcyjne potoki ML i wdrażaj najlepsze praktyki MLOps.
- API
tf.keras
Twórz modele ML za pomocą interfejsu API wysokiego poziomu TensorFlow.
- Ratunek
Modele Kaggle'a
Znajdź wstępnie przeszkolone modele gotowe do dostrajania i wdrażania.
- Ratunek
Zbiory danych TensorFlow
Przeglądaj kolekcję standardowych zestawów danych do wstępnego szkolenia i walidacji.
- Narzędzie
Płyta Tensor
Wizualizuj i śledź rozwój modeli uczenia maszynowego.
Narzędzia programistyczne
Narzędzia do oceny modeli, optymalizacji wydajności i tworzenia przepływów pracy ML.
Dołącz do społeczności
Współpracuj, znajduj wsparcie i udostępniaj swoje projekty, dołączając do grup zainteresowań lub uczestnicząc w wydarzeniach dla programistów.
Ucz się ML
Nowy w uczeniu maszynowym? Zacznij od wybranych programów nauczania TensorFlow lub przejrzyj bibliotekę zasobów obejmującą książki, kursy online i filmy.
Pozostań w kontakcie
Poznaj najnowsze informacje o uczeniu maszynowym i TensorFlow, śledząc nasze kanały lub zapisując się do newslettera. Zobacz poprzednie biuletyny w archiwum .
Forum
X
YouTube Linkedin
Forum X YouTube Linkedin
,
Kompleksowa platforma do uczenia maszynowego
Rozpocznij pracę z TensorFlow
TensorFlow ułatwia tworzenie modeli ML, które można uruchomić w dowolnym środowisku. Dowiedz się, jak korzystać z intuicyjnych interfejsów API, korzystając z interaktywnych próbek kodu.
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)
Co nowego w TensorFlow
Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.
Poznaj ekosystem
Odkryj narzędzia przetestowane w środowisku produkcyjnym, które przyspieszają modelowanie, wdrażanie i inne przepływy pracy.
- Biblioteka
TensorFlow.js
Trenuj i uruchamiaj modele bezpośrednio w przeglądarce za pomocą JavaScript lub Node.js.
- Biblioteka
LiteRT
Wdrażaj ML na urządzeniach mobilnych i brzegowych, takich jak Android, iOS, Raspberry Pi i Edge TPU.
- API
dane tf
Wstępnie przetwarzaj dane i twórz potoki wejściowe dla modeli uczenia maszynowego.
- Biblioteka
TFX
Twórz produkcyjne potoki ML i wdrażaj najlepsze praktyki MLOps.
- API
tf.keras
Twórz modele ML za pomocą interfejsu API wysokiego poziomu TensorFlow.
- Ratunek
Modele Kaggle'a
Znajdź wstępnie przeszkolone modele gotowe do dostrajania i wdrażania.
- Ratunek
Zbiory danych TensorFlow
Przeglądaj kolekcję standardowych zestawów danych do wstępnego szkolenia i walidacji.
- Narzędzie
Płyta Tensor
Wizualizuj i śledź rozwój modeli uczenia maszynowego.
Narzędzia programistyczne
Narzędzia do oceny modeli, optymalizacji wydajności i tworzenia przepływów pracy ML.
Dołącz do społeczności
Współpracuj, znajduj wsparcie i udostępniaj swoje projekty, dołączając do grup zainteresowań lub uczestnicząc w wydarzeniach dla programistów.
Ucz się ML
Nowy w uczeniu maszynowym? Zacznij od wybranych programów nauczania TensorFlow lub przejrzyj bibliotekę zasobów obejmującą książki, kursy online i filmy.
Pozostań w kontakcie
Poznaj najnowsze informacje o uczeniu maszynowym i TensorFlow, śledząc nasze kanały lub zapisując się do newslettera. Zobacz poprzednie biuletyny w archiwum .
Forum
X
YouTube Linkedin
Forum X YouTube Linkedin