TensorFlow 簡介
無論您是初學者還是專家，TensorFlow 都能讓您輕鬆為桌面、移動、Web 和雲端建立機器學習模型。請參閱下方的各個部分以開始使用。
端到端的機器學習平臺
準備並載入資料，以獲得成功的機器學習成果
資料可能是決定您機器學習工作成敗的最重要因素。TensorFlow 提供了多種資料工具，幫助您大規模地整合、清洗和預處理資料。
此外，負責任的 AI (Responsible AI) 工具可幫助您發現並消除資料中的偏見，從而使您的模型產生公平、合乎道德的成果。
利用 TensorFlow 生態系統構建並微調模型
探索基於核心框架構建的完整生態系統，該系統簡化了模型的構建、訓練和匯出流程。TensorFlow 支援分散式訓練，透過 Keras 實現即時模型迭代和輕鬆除錯等功能。諸如 Model Analysis 和 TensorBoard 之類的工具可幫助您跟蹤模型生命週期內的開發和改進情況。
為了幫助您入門，您可以在 TensorFlow Hub 上查詢由 Google 和社群提供的預訓練模型合集，或在 Model Garden 中查詢最前沿的研究模型實現。這些高階元件庫使您能夠獲取功能強大的模型，並在新資料上進行微調或對其進行自定義以執行新任務。
在裝置端、瀏覽器、本地或雲端部署模型
TensorFlow 提供了強大的功能，可將您的模型部署到任何環境——包括伺服器、邊緣裝置、瀏覽器、移動裝置、微控制器、CPU、GPU 和 FPGA。TensorFlow Serving 可以在世界上最先進的處理器（包括 Google 定製的張量處理單元 TPU）上執行生產規模的機器學習模型。
如果您需要分析源頭附近的資料以降低延遲並提高資料隱私，LiteRT 框架讓您可以在移動裝置、邊緣計算裝置甚至微控制器上執行模型；而 TensorFlow.js 框架則讓您只需使用 Web 瀏覽器即可執行機器學習。
在 Colab 中嘗試
使用 TensorFlow Serving 服務模型實施 MLOps 以實現生產級機器學習
TensorFlow 平臺可幫助您實施有關資料自動化、模型跟蹤、效能監控和模型再訓練的最佳實踐。
使用生產級工具來自動化並跟蹤產品、服務或業務流程整個生命週期中的模型訓練，對於成功至關重要。TFX 為完整的 MLOps 部署提供了軟體框架和工具，隨著資料和模型的不斷演變，它能夠檢測並解決其中的問題。
想要擴充套件您的機器學習知識？
掌握了機器學習原理和核心概念的基礎知識後，TensorFlow 會變得更易於使用。學習並應用基礎的機器學習實踐來提升您的技能。
