tensorflow/tensorflow 来源：https://github.com/tensorflow/tensorflow

Documentation | —————–– | | Documentation |

TensorFlow 是一个用于机器学习的端到端开源平台。它拥有全面、灵活的工具（https://www.tensorflow.org/resources/tools）、库（https://www.tensorflow.org/resources/libraries-extensions）和社区（https://www.tensorflow.org/community）资源生态系统，让研究人员能够推动机器学习领域的前沿发展，也使开发者能够轻松构建和部署基于机器学习的应用程序。

TensorFlow 最初由 Google Brain 机器智能团队的研究人员和工程师开发，用于进行机器学习和神经网络研究。然而，该框架足够通用，也可用于其他领域。TensorFlow 提供了稳定的 Python 和 C++ API，以及其他语言的非向后兼容保证 API（https://www.tensorflow.org/api_docs）。

通过订阅 [email protected] 获取发布公告和安全更新的最新信息。查看所有邮件列表。

安装

参阅 TensorFlow 安装指南了解 pip 包、启用 GPU 支持、使用 Docker 容器和从源代码构建。

要安装包含支持 CUDA 的 GPU 卡（Ubuntu 和 Windows）的当前版本：

pip install tensorflow

其他设备（DirectX 和 macOS-metal）通过 Device Plugins 支持。还提供了一个更小的仅 CPU 的 TensorFlow 包：

pip install tensorflow-cpu

要将 TensorFlow 更新到最新版本，请在上述命令中添加 --upgrade 标志。

每日构建版本可通过 PyPI 上的 tf-nightly 和 tf-nightly-cpu 包进行测试使用。

尝试您的第一个 TensorFlow 程序

$ python

>>> import tensorflow as tf
>>> tf.add(1, 2).numpy()
3
>>> hello = tf.constant('Hello, TensorFlow!')
>>> hello.numpy()
b'Hello, TensorFlow!'

更多示例请参阅 TensorFlow 教程。

贡献指南

如果您想为 TensorFlow 做出贡献，请务必查看贡献指南。本项目遵循 TensorFlow 的行为准则。参与即表示您将遵守此准则。

我们使用 GitHub Issues 跟踪请求和错误，请在 TensorFlow 论坛中提出一般性问题和讨论，并将具体问题导向 Stack Overflow。

TensorFlow 项目力求遵守开源软件开发中普遍接受的最佳实践。

补丁指南

按照以下步骤修补 TensorFlow 的特定版本，例如应用错误或安全漏洞修复：

• 克隆 TensorFlow 仓库并切换到适合您所需版本的分支——例如，版本 2.8 对应 r2.8。
• 应用所需的更改（即，选择性地应用更改）并解决任何代码冲突。
• 运行 TensorFlow 测试并确保通过。
• 从源代码构建 TensorFlow pip 包。

持续构建状态

您可以在 TensorFlow SIG Build 社区构建表中找到更多社区支持的平台和配置。

官方构建

资源

• TensorFlow.org
• TensorFlow 教程
• TensorFlow 官方模型
• TensorFlow 示例
• TensorFlow Codelabs
• TensorFlow 博客
• 使用 TensorFlow 学习机器学习
• TensorFlow Twitter
• TensorFlow YouTube
• TensorFlow 模型优化路线图
• TensorFlow 白皮书
• TensorBoard 可视化工具包
• TensorFlow 代码搜索

了解有关 TensorFlow 社区以及如何贡献的更多信息。

课程

• Coursera
• Udacity
• Edx

许可证

Apache License 2.0