一个端到端的机器学习平台
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)
使用 ML 解决现实世界的问题
探索 TensorFlow 如何用于推进研究和构建 AI 驱动的应用程序的示例。
TensorFlow 的新功能
阅读 TensorFlow 团队和社区的最新公告。
探索生态系统
发现经过生产验证的工具,以加速建模、部署和其他工作流程。
-
库
TensorFlow Lite
在移动设备和边缘设备(如 Android、iOS、Raspberry Pi 和 Edge TPU)上部署 ML。
-
库
TensorFlow.js
使用 JavaScript 或 Node.js 直接在浏览器中训练和运行模型。
-
API
tf.data
预处理数据并为 ML 模型创建输入管道。
-
库
TFX
创建生产 ML 管道并实施 MLOps 最佳实践。
-
API
tf.keras
使用 TensorFlow 的高级 API 创建 ML 模型。
-
资源
Kaggle 模型
查找准备微调和部署的预训练模型。
-
资源
TensorFlow 数据集
浏览用于初始训练和验证的标准数据集集合。
-
工具
TensorBoard
可视化和跟踪 ML 模型的开发。