TensorFlow 简介
无论您是初学者还是专家，TensorFlow 都能让您轻松为桌面、移动、Web 和云端创建机器学习模型。请参阅下方的各个部分以开始使用。
端到端的机器学习平台
准备并加载数据，以获得成功的机器学习成果
数据可能是决定您机器学习工作成败的最重要因素。TensorFlow 提供了多种数据工具，帮助您大规模地整合、清洗和预处理数据。
此外，负责任的 AI (Responsible AI) 工具可帮助您发现并消除数据中的偏见，从而使您的模型产生公平、合乎道德的成果。
利用 TensorFlow 生态系统构建并微调模型
探索基于核心框架构建的完整生态系统，该系统简化了模型的构建、训练和导出流程。TensorFlow 支持分布式训练，通过 Keras 实现即时模型迭代和轻松调试等功能。诸如 Model Analysis 和 TensorBoard 之类的工具可帮助您跟踪模型生命周期内的开发和改进情况。
为了帮助您入门，您可以在 TensorFlow Hub 上查找由 Google 和社区提供的预训练模型合集，或在 Model Garden 中查找最前沿的研究模型实现。这些高级组件库使您能够获取功能强大的模型，并在新数据上进行微调或对其进行自定义以执行新任务。
在设备端、浏览器、本地或云端部署模型
TensorFlow 提供了强大的功能，可将您的模型部署到任何环境——包括服务器、边缘设备、浏览器、移动设备、微控制器、CPU、GPU 和 FPGA。TensorFlow Serving 可以在世界上最先进的处理器（包括 Google 定制的张量处理单元 TPU）上运行生产规模的机器学习模型。
如果您需要分析源头附近的数据以降低延迟并提高数据隐私，LiteRT 框架让您可以在移动设备、边缘计算设备甚至微控制器上运行模型；而 TensorFlow.js 框架则让您只需使用 Web 浏览器即可运行机器学习。
在 Colab 中尝试
使用 TensorFlow Serving 服务模型实施 MLOps 以实现生产级机器学习
TensorFlow 平台可帮助您实施有关数据自动化、模型跟踪、性能监控和模型再训练的最佳实践。
使用生产级工具来自动化并跟踪产品、服务或业务流程整个生命周期中的模型训练，对于成功至关重要。TFX 为完整的 MLOps 部署提供了软件框架和工具，随着数据和模型的不断演变，它能够检测并解决其中的问题。
想要扩展您的机器学习知识？
掌握了机器学习原理和核心概念的基础知识后，TensorFlow 会变得更易于使用。学习并应用基础的机器学习实践来提升您的技能。
