一個完整的生態系統，旨在幫助您利用機器學習解決具有挑戰性的現實問題
輕鬆構建模型
TensorFlow 提供多級抽象，因此您可以選擇最適合您需求的一種。使用高階 Keras API 構建和訓練模型，讓您輕鬆上手 TensorFlow 和機器學習。
如果您需要更高的靈活性，即時執行（Eager execution）支援即時迭代和直觀的除錯。對於大型機器學習訓練任務，可以使用“分散式策略 API”（Distribution Strategy API），在不更改模型定義的情況下，在不同的硬體配置上進行分散式訓練。
穩健的機器學習生產環境，無處不在
TensorFlow 一直致力於提供通往生產環境的直接路徑。無論是在伺服器、邊緣裝置還是網頁上，TensorFlow 都能讓您輕鬆訓練和部署模型，而不受程式語言或平臺的限制。
如果您需要完整的生產級機器學習流水線，請使用 TFX。若要在移動裝置和邊緣裝置上執行推理，請使用 TensorFlow Lite。透過 TensorFlow.js，您可以在 JavaScript 環境中訓練和部署模型。
強大的研究實驗平臺
構建和訓練最先進的模型，同時保持速度和效能。TensorFlow 透過 Keras 函式式 API 和模型子類化 API 等功能為您提供靈活性和控制力，用於建立複雜的拓撲結構。如需便捷的原型設計和快速除錯，請使用即時執行。
TensorFlow 還支援一個包含強大附加庫和模型的生態系統，供您進行實驗，包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。
看看其他公司如何使用 TensorFlow
瞭解機器學習的工作原理
您是否想了解神經網路是如何工作的？或者解決機器學習問題的步驟是什麼？別擔心，我們為您提供了答案。以下是機器學習基礎知識的快速概覽。如果您想了解更深入的資訊，請前往我們的教育頁面，獲取面向初學者和進階使用者的內容。
機器學習簡介
機器學習是一種幫助軟體在無需明確程式設計或規則的情況下執行任務的實踐。在傳統計算機程式設計中，程式設計師指定計算機應遵循的規則。然而，機器學習需要不同的思維方式。現實世界中的機器學習更側重於資料分析而非編碼。程式設計師提供一組示例，計算機則從資料中學習模式。您可以將機器學習理解為“用資料程式設計”。
解決機器學習問題的步驟
使用機器學習從資料中獲取答案的過程包含多個步驟。如需分步概覽，請檢視此指南，其中展示了文字分類的完整工作流程，並介紹了諸如收集資料集、使用 TensorFlow 訓練和評估模型等重要步驟。
神經網路剖析
神經網路是一種可以訓練用於識別模式的模型。它由多個層組成，包括輸入層、輸出層以及至少一個隱藏層。每一層的神經元都會學習對資料進行越來越抽象的表示。例如，在此視覺化圖中，我們可以看到神經元在檢測線條、形狀和紋理。這些表示（或學習到的特徵）使得對資料進行分類成為可能。
訓練神經網路
神經網路透過梯度下降法進行訓練。每一層的權重最初為隨機值，並透過不斷迭代進行最佳化，從而提高網路的準確性。損失函式用於量化網路的誤差程度，而反向傳播過程則用於確定每個權重是應增加還是減少，以降低損失。