透過機器學習協助解決具有挑戰性的實際問題，運作環境有如完整的生態系統。
輕鬆建構模型
TensorFlow 提供了多個抽象層，讓你可以選擇適合自己的抽象層。請使用高階 Keras API 來建構並訓練模型，這個 API 能讓你更容易開始使用 TensorFlow 和機器學習。
如需更多彈性，Eager Execution 可讓你立即進行疊代，偵錯也相當符合直覺。如要進行大型的機器學習訓練工作，請使用 Distribution Strategy API，以便在不同硬體配置下進行分散式訓練，而無須變更模型定義。
所有機器學習的生產環境都很健全
TensorFlow 一向都提供直達生產環境的最短途徑。不管是在伺服器、邊緣裝置或是網路上，無論使用的是哪一種語言或平台，TensorFlow 都能讓你輕鬆訓練及部署模型。
如需生產環境下完整的機器學習管道，請使用 TFX。如要在行動裝置及邊緣裝置上執行推論，請使用 TensorFlow Lite。如要在 JavaScript 環境中訓練及部署模型，則請使用 TensorFlow.js。
強大的研究性實驗
建構及訓練最先進的模型，完全不必犧牲速度或效能。TensorFlow 具備 Keras Functional API 和 Model Subclassing API 等功能，可用於建立複雜的拓撲，讓你享有彈性及主控權。如要輕鬆設計出原型並快速進行偵錯，請使用 Eager Execution。
TensorFlow 也支援由強大的外掛程式庫及模型所組成的生態系統，一舉囊括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT，可供你盡情進行實驗。
查看其他公司使用 TensorFlow 的方式
瞭解機器學習的運作方式
你有想過類神經網路是如何運作的嗎？要解決機器學習問題又有哪些步驟？別擔心，我們都能為你解答。下方將帶你快速一覽機器學習的基礎概念。如果你需要更深入的資訊，請前往我們的教育資源頁面，查看新手和進階內容。
機器學習簡介
機器學習是在不使用明確程式碼或規則的情況下，協助軟體執行工作的技術。傳統的電腦程式設計需要由程式設計師指定電腦應使用哪些規則。機器學習則需要不同的思維。實際生活裡的機器學習，注重資料分析遠甚於程式設計。程式設計師需要提供一套範例，讓電腦從資料中學習模式。你可以將機器學習想成是「用資料來寫程式」。
解決機器學習問題的步驟
There are multiple steps in the process of getting answers from data using ML. For a step-by-step overview, check out this guide that shows the complete workflow for text classification, and describes important steps like collecting a dataset, and training and evaluating a model with TensorFlow.
類神經網路的解剖學
A neural network is a type of model that can be trained to recognize patterns. It is composed of layers, including input and output layers, and at least one hidden layer. Neurons in each layer learn increasingly abstract representations of the data. For example, in this visual diagram we see neurons detecting lines, shapes, and textures. These representations (or learned features) make it possible to classify the data.
訓練類神經網路
類神經網路是以梯度下降演算法進行訓練。每一層的權重都是先設成隨機值，然後隨著時間推進持續改善，讓類神經網路愈趨準確。我們會使用損失函式，將類神經網路的不準確度量化，同時使用反向傳播程序，判斷是否要增加/減少各權重值，以降低準確度方面的損失。