TensorFlow

Ta strona została przetłumaczona przez Cloud Translation API.

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.

Zobacz tutoriale

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

Analizuj dane relacyjne za pomocą grafowych sieci neuronowych

Sieci GNN mogą przetwarzać złożone relacje między obiektami, co czyni je potężną techniką prognozowania ruchu, odkryć medycznych i nie tylko.

Dowiedz się o TF GNN

LiteRT

Poprawa dostępu do zdrowia matek dzięki ML na urządzeniu

Dowiedz się, jak LiteRT (dawniej TensorFlow Lite) umożliwia dostęp do oceny ultrasonograficznej płodu, poprawiając wyniki zdrowotne kobiet i rodzin w Kenii i na świecie.

Poznaj LiteRT

Agenci TensorFlow

Twórz systemy rekomendacji dzięki uczeniu się przez wzmacnianie

Dowiedz się, jak Spotify wykorzystuje ekosystem TensorFlow do projektowania rozszerzalnego symulatora offline i szkolenia agentów RL w zakresie generowania list odtwarzania.

Przeczytaj bloga

Co nowego w TensorFlow

Przeczytaj najnowsze ogłoszenia zespołu i społeczności TensorFlow.

What's new in TensorFlow 2.19

Updated 13 marca 2025

Introducing Wake Vision: A High-Quality, Large-Scale Dataset for TinyML Computer Vision Applications

Updated 5 grudnia 2024

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.

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)

Rozpocznij pracę z TensorFlow

Rozwiązuj rzeczywiste problemy za pomocą ML