TensorFlow 2 met l'accent sur la simplicité et la facilité d'utilisation, avec des nouveautés telles que l'exécution eager, des API de niveau supérieur intuitives et la création de modèles flexibles sur n'importe quelle plate-forme.

Il existe de nombreux guides sous forme de notebooks Jupyter qui s'exécutent directement dans Google Colab, un environnement de notebook hébergé qui ne nécessite aucune configuration. Cliquez sur le bouton Exécuter dans Google Colab.

Documentation essentielle

Installez le package ou la version à partir de la source. L'utilisation du GPU est possible pour les cartes compatibles CUDA®.
Découvrez les bonnes pratiques et les outils TensorFlow 2 pour migrer votre code TF1 vers TF2.
Keras est une API de haut niveau plus facile à prendre en main pour les chercheurs et les débutants en ML.
Découvrez les cours de base et les fonctionnalités fondamentales de TensorFlow.
L'API tf.data vous permet de créer des pipelines d'entrée complexes à partir d'éléments simples et réutilisables.
Une API de haut niveau qui représente un modèle complet, conçu pour la mise à l'échelle et l'entraînement asynchrone.
Enregistrez un modèle TensorFlow à l'aide des points de contrôle ou du format SavedModel.
Répartissez les tâches d'entraînement entre plusieurs machines, GPU ou TPU.
Bonnes pratiques et techniques d'optimisation pour maximiser les performances de TensorFlow.

Bibliothèques et extensions

Découvrez des ressources supplémentaires permettant de créer des méthodes ou des modèles avancés avec TensorFlow, et accédez à des packages d'applications spécialisées qui enrichissent la plate-forme de nouvelles fonctionnalités.

  • TensorBoard

     Une suite d'outils de visualisation pour comprendre, déboguer et optimiser les programmes TensorFlow.

  • TensorFlow Hub

     Une bibliothèque conçue pour favoriser la publication, la découverte et l'exploitation d'éléments réutilisables dans les modèles de machine learning.

  • Optimisation de modèles

     La suite d'outils TensorFlow pour l'optimisation de modèles permet d'apporter des améliorations aux modèles de ML en vue de leur déploiement et de leur exécution.

  • TensorFlow Federated

     Un framework qui permet d'appliquer le machine learning et d'effectuer différents calculs sur des données décentralisées.

  • Neural Structured Learning

     Un paradigme d'apprentissage permettant d'entraîner des réseaux de neurones avec des signaux structurés en plus des entrées de caractéristiques.

  • TensorFlow Graphics

     Une bibliothèque de fonctionnalités d'infographie allant des appareils photo aux moteurs de rendu, en passant par les lumières et matériaux.

  • Ensembles de données

     Des ensembles de données prêts à être utilisés avec TensorFlow.

  • Inférence

     Un système d'inférence TFX pour les modèles de ML, conçu pour obtenir des performances élevées dans les environnements de production.

  • Probabilité

     TensorFlow Probability est une bibliothèque conçue pour faciliter le raisonnement probabiliste et l'analyse statistique.

  • MLIR

     MLIR unifie l'infrastructure pour les modèles de ML hautes performances dans TensorFlow.

  • XLA

     Compilateur d'algèbre linéaire spécifique à un domaine qui permet potentiellement d'accélérer les modèles TensorFlow sans modification du code source.

  • SIG Addons

     Des fonctionnalités en plus pour TensorFlow, gérées par le SIG Addons.

  • SIG IO

     Des ensembles de données, des flux de données et des extensions de systèmes de fichiers, gérés par le SIG IO.