整個生態系統協助您透過機器學習解決具挑戰性的真實世界問題
輕鬆建構模型
TensorFlow 提供多種抽象層級，讓您可以選擇適合您需求的層級。使用高階 Keras API 建構和訓練模型，讓您輕鬆開始使用 TensorFlow 和機器學習。
如果您需要更高的彈性，eager execution 允許立即迭代和直覺式偵錯。對於大型 ML 訓練任務，請使用 Distribution Strategy API 在不同的硬體組態上進行分散式訓練，而無需變更模型定義。
隨處都能穩健地生產 ML 模型
TensorFlow 一直以來都提供直接的生產路徑。無論是在伺服器、邊緣裝置還是網路上，TensorFlow 都能讓您輕鬆訓練和部署模型，無論您使用何種語言或平台。
如果您需要完整的生產 ML 管線，請使用 TFX。若要在行動裝置和邊緣裝置上執行推論，請使用 TensorFlow Lite。在 JavaScript 環境中使用 TensorFlow.js 訓練和部署模型。
強大的研究實驗功能
建構和訓練最先進的模型，而不會犧牲速度或效能。TensorFlow 透過 Keras Functional API 和 Model Subclassing API 等功能，讓您在建立複雜拓撲時享有彈性和控制權。為了方便快速原型設計和偵錯，請使用 eager execution。
TensorFlow 也支援強大的附加函式庫和模型生態系統，可供實驗使用，包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。
看看各公司如何使用 TensorFlow
瞭解機器學習的運作方式
您是否曾經想知道神經網路如何運作？或是解決 ML 問題的步驟是什麼？別擔心，我們為您準備好了。以下是機器學習基礎知識的快速概覽。或者，如果您正在尋找更深入的資訊，請前往我們的教育頁面以取得初學者和進階內容。
ML 簡介
機器學習是一種協助軟體執行任務的實務，無需明確的程式設計或規則。在傳統電腦程式設計中，程式設計師會指定電腦應使用的規則。然而，ML 需要不同的思維模式。真實世界的 ML 更側重於資料分析而非編碼。程式設計師提供一組範例，而電腦從資料中學習模式。您可以將機器學習視為「使用資料進行程式設計」。
解決 ML 問題的步驟
使用 ML 從資料中取得答案的過程有多個步驟。如需逐步概覽，請查看本指南，其中說明了文字分類的完整工作流程，並描述了重要步驟，例如收集資料集，以及使用 TensorFlow 訓練和評估模型。
神經網路的結構
神經網路是一種可以訓練來辨識模式的模型。它由多層組成，包括輸入層和輸出層，以及至少一個隱藏層。每層中的神經元會學習越來越抽象的資料表示法。例如，在這個視覺圖表中，我們看到神經元偵測線條、形狀和紋理。這些表示法 (或學習到的特徵) 使資料分類成為可能。
訓練神經網路
神經網路透過梯度下降法進行訓練。每層中的權重都從隨機值開始，然後隨著時間的推移迭代改進，以使網路更準確。損失函數用於量化網路的不準確程度，而稱為反向傳播的程序用於確定是否應增加或減少每個權重以減少損失。