TensorFlow 2 روی سادگی و سهولت استفاده با به‌روزرسانی‌هایی مانند اجرای مشتاقانه، APIهای سطح بالاتر بصری و ساخت مدل انعطاف‌پذیر بر روی هر پلتفرمی تمرکز دارد.
بسیاری از راهنماها به‌عنوان نوت‌بوک Jupyter نوشته شده‌اند و مستقیماً در Google Colab اجرا می‌شوند—یک محیط نوت‌بوک میزبانی‌شده که نیازی به تنظیم ندارد. روی دکمه Run in Google Colab کلیک کنید.
مستندات ضروری
tf.data API شما را قادر می سازد خطوط لوله ورودی پیچیده ای را از قطعات ساده و قابل استفاده مجدد بسازید.
-
جنگل های تصمیم گیری تنسورفلو کتابخانه ای برای آموزش، اجرا و تفسیر مدل های جنگل تصمیم (به عنوان مثال، جنگل های تصادفی، درختان تقویت شده گرادیان) در TensorFlow. -
تنسورفلو هاب کتابخانه ای برای انتشار، کشف و مصرف قطعات قابل استفاده مجدد مدل های یادگیری ماشین. -
در حال خدمت کردن یک سیستم سرویس دهی TFX برای مدل های ML که برای عملکرد بالا در محیط های تولید طراحی شده است. -
TensorFlow فدرال چارچوبی برای یادگیری ماشین و سایر محاسبات روی داده های غیرمتمرکز. -
یادگیری ساختاری عصبی یک الگوی یادگیری برای آموزش شبکه های عصبی با استفاده از سیگنال های ساخت یافته علاوه بر ورودی های ویژگی. -
گرافیک TensorFlow کتابخانه ای از قابلیت های گرافیکی کامپیوتری از دوربین ها، چراغ ها و مواد گرفته تا رندرها. -
افزونه های SIG قابلیت اضافی برای TensorFlow که توسط SIG Addons نگهداری می شود.
-
TensorBoard مجموعه ای از ابزارهای تجسم برای درک، اشکال زدایی و بهینه سازی برنامه های TensorFlow. -
مجموعه داده ها مجموعه ای از مجموعه های داده آماده برای استفاده با TensorFlow. -
بهینه سازی مدل جعبه ابزار بهینه سازی مدل TensorFlow مجموعه ای از ابزارها برای بهینه سازی مدل های ML برای استقرار و اجرا است. -
احتمال TensorFlow Probability یک کتابخانه برای استدلال احتمالی و تجزیه و تحلیل آماری است. -
MLIR MLIR زیرساخت را برای مدل های ML با کارایی بالا در TensorFlow یکپارچه می کند. -
XLA یک کامپایلر مخصوص دامنه برای جبر خطی که مدل های TensorFlow را بدون تغییر کد منبع بالقوه تسریع می کند. -
SIG IO مجموعه داده، جریان و پسوندهای سیستم فایل، که توسط SIG IO نگهداری می شود.