тензорный поток

TensorFlow — это комплексная платформа с открытым исходным кодом для машинного обучения. Он имеет комплексную, гибкую экосистему инструментов, библиотек и ресурсов сообщества, которая позволяет исследователям внедрять новейшие достижения в области машинного обучения, а разработчикам легко создавать и развертывать приложения на основе машинного обучения.

TensorFlow изначально был разработан исследователями и инженерами, работающими в команде Machine Intelligence в Google Brain, для проведения исследований в области машинного обучения и нейронных сетей. Однако фреймворк достаточно универсален, чтобы его можно было использовать и в других областях.

TensorFlow предоставляет стабильные API-интерфейсы Python и C++, а также негарантированный API-интерфейс с обратной совместимостью для других языков.

Чтобы быть в курсе анонсов выпусков и обновлений безопасности, подписавшись на анонс@tensorflow.org. Просмотрите все списки рассылки.

Установить

См. руководство по установке TensorFlow для пакета pip, чтобы включить поддержку графического процессора, использовать контейнер Docker и выполнить сборку из исходного кода.

Чтобы установить текущую версию, которая включает поддержку графических карт с поддержкой CUDA (Ubuntu и Windows) :

$ pip install tensorflow

Другие устройства (DirectX и MacOS-metal) поддерживаются с помощью плагинов устройств.

Также доступен меньший пакет только для ЦП:

$ pip install tensorflow-cpu

Чтобы обновить TensorFlow до последней версии, добавьте флаг --upgrade к приведенным выше командам.

Двоичные файлы Nightly доступны для тестирования с использованием пакетов tf-nightly и tf-nightly-cpu на PyPi.

Попробуйте свою первую программу TensorFlow

 $ питон

 >>> импортировать тензорный поток как tf>>> tf.add(1, 2).numpy()3>>> hello = tf.constant('Привет, TensorFlow!') >>> hello.numpy()b'Привет , ТензорФлоу!»

Дополнительные примеры см. в руководствах по TensorFlow.

Рекомендации по вкладу

Если вы хотите внести свой вклад в TensorFlow, обязательно ознакомьтесь с правилами внесения вклада. Этот проект соответствует кодексу поведения TensorFlow. Ожидается, что, участвуя, вы будете соблюдать этот кодекс.

Мы используем выпуски GitHub для отслеживания запросов и ошибок. Общие вопросы и обсуждения можно найти на форуме TensorFlow, а конкретные вопросы направляйте в Stack Overflow.

Проект TensorFlow стремится следовать общепринятым лучшим практикам разработки программного обеспечения с открытым исходным кодом.

Рекомендации по установке исправлений

Выполните следующие действия, чтобы исправить определенную версию TensorFlow, например, чтобы исправить ошибки или уязвимости безопасности:

• Клонируйте репозиторий TensorFlow и переключитесь на соответствующую ветку для желаемой версии TensorFlow, например, ветку r2.8 для версии 2.8.

• Примените (то есть тщательно отберите) желаемые изменения и устраните любые конфликты кода.

• Запустите тесты TensorFlow и убедитесь, что они пройдены.

• Создайте пакет pip TensorFlow из исходного кода.

Статус непрерывной сборки

Дополнительные платформы и конфигурации, поддерживаемые сообществом, можно найти в таблице сборок сообщества TensorFlow SIG Build.

Официальные сборки

Тип сборки	Статус	Артефакты
Linux-процессор		ПиПИ
Linux-графический процессор		ПиПИ
Linux XLA		будет объявлено позднее
macOS		ПиПИ
Процессор Windows		ПиПИ
графический процессор Windows		ПиПИ
Андроид		Скачать
Малиновый Пи 0 и 1		Py3
Малина Пи 2 и 3		Py3
Процессор Libtensorflow для MacOS	Статус Временно недоступен	Ночной двоичный официальный GCS
Libtensorflow Linux-процессор	Статус Временно недоступен	Ночной двоичный официальный GCS
Графический процессор Linux Libtensorflow	Статус Временно недоступен	Ночной двоичный официальный GCS
Процессор Windows Libtensorflow	Статус Временно недоступен	Ночной двоичный официальный GCS
Libtensorflow Windows GPU	Статус Временно недоступен	Ночной двоичный официальный GCS

Ресурсы

• TensorFlow.org

• Учебные пособия по TensorFlow

• Официальные модели TensorFlow

• Примеры TensorFlow

• Кодовые лаборатории TensorFlow

• Блог TensorFlow

• Изучите машинное обучение с помощью TensorFlow

• TensorFlow Твиттер

• ТензорФлоу YouTube

• План оптимизации модели TensorFlow

• Технические документы TensorFlow

• Набор инструментов для визуализации TensorBoard

• Поиск кода TensorFlow

Узнайте больше о сообществе TensorFlow и о том, как внести свой вклад.

Курсы

• Курсера

• Udacity

• Эдкс

Лицензия

Лицензия Апач 2.0