Комплексная платформа для машинного обучения
Установите TensorFlow

Начните работу с TensorFlow

TensorFlow упрощает создание моделей машинного обучения, которые могут работать в любой среде. Узнайте, как использовать интуитивно понятные API-интерфейсы, с помощью интерактивных примеров кода.

Посмотреть руководства 
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)
Запустите краткое руководство

Решайте реальные проблемы с помощью ML

Изучите примеры того, как TensorFlow используется для продвижения исследований и создания приложений на базе искусственного интеллекта.

Тензорный поток GNN
Анализ реляционных данных с помощью графовых нейронных сетей

GNN могут обрабатывать сложные взаимосвязи между объектами, что делает их мощным методом прогнозирования трафика, медицинских открытий и многого другого.

Узнайте больше о TF GNN
ЛайтРТ
Улучшение доступа к услугам по охране материнского здоровья с помощью машинного обучения на устройстве

Узнайте, как LiteRT (ранее TensorFlow Lite) обеспечивает доступ к ультразвуковому исследованию плода, улучшая показатели здоровья женщин и семей в Кении и во всем мире.

Откройте для себя LiteRT
Агенты TensorFlow
Создавайте системы рекомендаций с помощью обучения с подкреплением

Узнайте, как Spotify использует экосистему TensorFlow для разработки расширяемого автономного симулятора и обучения агентов RL созданию списков воспроизведения.

Читать блог

Что нового в TensorFlow

Прочтите последние объявления от команды и сообщества TensorFlow.

What's new in TensorFlow 2.19

Updated 13 марта 2025 г.

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

Updated 5 декабря 2024 г.

Исследуйте экосистему

Откройте для себя проверенные на практике инструменты для ускорения моделирования, развертывания и других рабочих процессов.

  • Библиотека

    TensorFlow.js

    Обучайте и запускайте модели прямо в браузере с помощью JavaScript или Node.js.

  • Библиотека

    ЛайтРТ

    Развертывайте машинное обучение на мобильных и периферийных устройствах, таких как Android, iOS, Raspberry Pi и Edge TPU.

  • API

    tf.data

    Предварительная обработка данных и создание конвейеров ввода для моделей ML.

  • Библиотека

    ТФХ

    Создавайте производственные конвейеры ML и внедряйте лучшие практики MLOps.

  • API

    tf.keras

    Создавайте модели машинного обучения с помощью высокоуровневого API TensorFlow.

  • Ресурс

    Модели Каггла

    Найдите предварительно обученные модели, готовые к тонкой настройке и развертыванию.

  • Ресурс

    Наборы данных TensorFlow

    Просмотрите коллекцию стандартных наборов данных для первоначального обучения и проверки.

  • Инструмент

    Тензорборд

    Визуализируйте и отслеживайте разработку моделей ML.

    • Модели и наборы данных машинного обучения

    Предварительно обученные модели и готовые к использованию наборы данных для сценариев использования изображений, текста, аудио и видео.

    Библиотеки и расширения

    Пакеты для предметно-ориентированных приложений и API для языков, отличных от Python.

    Инструменты разработчика

    Инструменты для оценки моделей, оптимизации производительности и оптимизации рабочих процессов машинного обучения.