一个完整的生态系统，帮助您使用机器学习解决具有挑战性的现实世界问题
轻松构建模型
TensorFlow 提供多个抽象级别，因此您可以根据自己的需求选择合适的级别。使用高级 Keras API 构建和训练模型，这使得使用 TensorFlow 和机器学习变得容易。
如果您需要更多灵活性，急切执行允许立即迭代和直观的调试。对于大型 ML 训练任务，请使用分布式策略 API 在不同的硬件配置上进行分布式训练，而无需更改模型定义。
在任何地方进行强大的 ML 生产
TensorFlow 一直提供直接的生产路径。无论是在服务器、边缘设备还是 Web 上，TensorFlow 都可以让您轻松地训练和部署模型，无论您使用什么语言或平台。
如果您需要完整的生产 ML 管道，请使用 TFX。要对移动设备和边缘设备进行推理，请使用 TensorFlow Lite。使用 TensorFlow.js 在 JavaScript 环境中训练和部署模型。
强大的研究实验
构建和训练最先进的模型，而不会牺牲速度或性能。TensorFlow 为您提供了灵活性，并通过 Keras 函数式 API 和模型子类化 API 等功能提供了控制权，用于创建复杂的拓扑结构。要进行轻松的原型设计和快速调试，请使用急切执行。
TensorFlow 还支持强大的附加库和模型的生态系统，包括 Ragged 张量、TensorFlow 概率、Tensor2Tensor 和 BERT。
查看公司如何使用 TensorFlow
了解机器学习的工作原理
您是否曾经想知道神经网络是如何工作的？或者解决 ML 问题的步骤是什么？别担心，我们已经为您准备好了。以下是机器学习基础知识的简要概述。或者，如果您正在寻找更深入的信息，请访问我们的教育页面，获取初学者和高级内容。
ML 简介
机器学习是帮助软件执行任务而无需显式编程或规则的做法。在传统的计算机编程中，程序员指定计算机应该使用的规则。ML 需要不同的思维方式。现实世界的 ML 更侧重于数据分析而不是编码。程序员提供一组示例，计算机从数据中学习模式。您可以将机器学习视为“用数据编程”。
解决 ML 问题的步骤
使用 ML 从数据中获取答案的过程包含多个步骤。有关分步概述，请查看此 指南，它展示了文本分类的完整工作流程，并描述了重要的步骤，例如收集数据集以及使用 TensorFlow 训练和评估模型。
神经网络的解剖
神经网络是一种可以训练识别模式的模型。它由层组成，包括输入层和输出层，以及至少一个 隐藏层。每层中的神经元学习数据的越来越抽象的表示。例如，在这个视觉图中，我们看到神经元检测线条、形状和纹理。这些表示（或学习到的特征）使得对数据进行分类成为可能。
训练神经网络
神经网络通过梯度下降进行训练。每层中的权重从随机值开始，这些权重会随着时间的推移而迭代改进，以使网络更准确。损失函数用于量化网络的误差，一种称为反向传播的过程用于确定每个权重应该增加还是减少以减少损失。