Una piattaforma end-to-end per l'apprendimento automatico

Inizia con TensorFlow

TensorFlow semplifica la creazione di modelli ML che possono essere eseguiti in qualsiasi ambiente. Scopri come utilizzare le API intuitive attraverso esempi di codice interattivi.

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)

Risolvi problemi del mondo reale con il machine learning

Esplora esempi di come TensorFlow viene utilizzato per promuovere la ricerca e creare applicazioni basate sull'intelligenza artificiale.

Analizzare i dati relazionali utilizzando le reti neurali a grafo

Le GNN possono elaborare relazioni complesse tra oggetti, rendendole una potente tecnica per la previsione del traffico, la scoperta medica e altro ancora.

Migliorare l'accesso alla salute materna con il machine learning sul dispositivo

Scopri come TensorFlow Lite consente l'accesso alla valutazione ecografica fetale, migliorando i risultati sanitari per le donne e le famiglie in Kenya e nel mondo.

Costruisci sistemi di raccomandazione con l'apprendimento per rinforzo

Scopri come Spotify utilizza l'ecosistema TensorFlow per progettare un simulatore offline estensibile e addestrare gli agenti RL a generare playlist.

Novità in TensorFlow

Leggi gli ultimi annunci del team e della community di TensorFlow.

  • Strumenti di sviluppo

    Strumenti per valutare modelli, ottimizzare le prestazioni e produrre flussi di lavoro ML.