TensorFlow 简介
借助 TensorFlow，初学者和专家可以轻松创建适用于桌面、移动、Web 和云环境的机器学习模型。请参阅以下几部分，了解如何开始使用。
端到端机器学习平台
准备和加载数据以获得成功的机器学习结果
数据可能是决定机器学习工作能否成功的最重要因素。 TensorFlow 提供了多种数据工具，可以帮助您大规模整合、清理和预处理数据：
-
用于初始训练和验证的标准数据集
-
扩容能力强的 Data Pipelines，可用于加载数据
-
用于常见输入转换的预处理层
-
此外，Responsible AI 工具可以帮助您发现并消除数据中的偏差，以便模型生成公平且合乎道德的结果。
利用 TensorFlow 生态系统构建和微调模型
探索基于 Core 框架构建的整个生态系统，Core 框架能够简化模型的构建、训练和导出过程。借助 Keras 等 API，TensorFlow 可支持分布式训练、快速模型迭代和轻松调试。模型分析和 TensorBoard 等工具可以帮助您在模型的整个生命周期中跟踪开发和改进情况。
如需快速入门，不妨前往 TensorFlow Hub 寻找 Google 和社区提供的一系列预训练模型，或者前往 Model Garden 获取先进研究模型的实现。您可以从这些高层级组件库中获得强大的模型，并使用新数据对这些模型进行微调；您也可以对它们进行自定义，以执行新的任务。
在设备上、浏览器中、本地或云端部署模型
TensorFlow 可提供强大的功能，以便您在任何环境（包括服务器、边缘设备、浏览器、移动设备、微控制器、CPU、GPU、FPGA）中部署模型。TensorFlow Serving 可以在先进的处理器（包括 Google 的自定义张量处理单元 [TPU]）上以生产规模运行机器学习模型。
如果您需要在靠近数据源的位置分析数据，以缩短延迟时间并更好地保护数据隐私，可以借助 TensorFlow Lite 框架在移动设备、边缘计算设备甚至微控制器上运行模型，还可以借助 TensorFlow.js 框架仅使用网络浏览器就能运行机器学习模型。
在 Colab 中试用
使用 TensorFlow Serving 将模型付诸应用实现适用于生产型机器学习的 MLOps
TensorFlow 平台可帮助您落实数据自动化、模型跟踪、性能监控和模型再训练的最佳实践。
在产品、服务或业务流程的生命周期中使用生产级工具自动化和跟踪模型训练对取得成功来说至关重要。TFX 可为完整 MLOps 部署提供软件框架和工具，并在数据和模型随时间推移不断演变的过程中检测问题。
想要扩充您的机器学习知识面？
如果您基本了解机器学习的原理和核心概念，TensorFlow 就会更易于使用。学习并运用机器学习的基本做法以培养您的技能。
