TensorFlow Docs 是由掘金翻译计划实时维护的 TensorFlow 官方文档中文版,维护者为全球各大公司开发人员和各著名高校研究者及学生。欢迎大家加入维护团队,欢迎提 Issue 和 PR,参与之前请阅读文档维护说明。

• 译者团队正在向 TensorFlow V1.7 官方中文文档更新
• 推荐学习顺序等更多内容详见:TensorFlow Docs WIKI
• 相关术语表:TensorFlow 术语表,人工智能术语表
• 掘金翻译计划欢迎大家的加入,详见 👉 加入我们

TensorFlow 是一个使用数据流图进行数值计算开源软件库。 图的节点表示数学运算,节点之间的边表示流动的多维数据数组(张量)。 这种灵活的架构允许你在无需重写代码的情况下,将计算在桌面端、服务端或移动端部署到一个或多个 CPU 和 GPU 中。 TensorFlow 还包含 TensorBoard,它是一个数据可视化工具包。

TensorFlow 最初由 Google 机器智能研究机构内的 Google Brain 团队的研究人员和工程师开发,用于进行机器学习和深度神经网络研究。 此系统一般足以适用于各种其他领域。

在 安装 TensorFlow 页面中查看关于稳定二进制版的安装或从源码安装的安装步骤。

喜欢挑战的人也可以尝试我们的开发版:

开发版 pip 包

• 我们非常高兴发布 TensorFlow 的开发版,现在 pypi 提供开发版的 pip 包 tf-nightly 和 tf-nightly-gpu 项目。在干净的环境中简单运行 pip install tf-nightly 或 pip install tf-nightly-gpu 即可安装 TensorFlow 开发版。 我们为 Linux、Mac 和 Windows 提供 CPU 和 GPU 支持。

独立的 whl 文件

• Linux CPU-only: Python 2 (构建历史) / Python 3.4 (构建历史) / Python 3.5 (构建历史) / Python 3.6 (构建历史)
• Linux GPU: Python 2 (构建历史) / Python 3.4 (构建历史) / Python 3.5 (构建历史) / Python 3.6 (构建历史)
• Mac CPU-only: Python 2 (构建历史) / Python 3 (构建历史)
• Windows CPU-only: Python 3.5 64-bit (构建历史) / Python 3.6 64-bit (构建历史)
• Windows GPU: Python 3.5 64-bit (构建历史) / Python 3.6 64-bit (构建历史)
• Android: demo APK, native libs (构建历史)

$ python

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> sess.run(hello)
'Hello, TensorFlow!'
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> sess.run(a + b)
42
>>> sess.close()

如果你想参与贡献 TensorFlow,请先查看我们的 贡献指南。此项目遵循 TensorFlow 项目规范。我们期望你能遵循此规范。

我们还使用 GitHub issues 来跟进 requests 和 bugs。对于一般性问题和讨论请查看 TensorFlow 讨论,或直接在 Stack Overflow 提问。

TensorFlow 项目致力于遵守开源软件开发中普遍接受的最佳实践:

CII 最佳实践

• TensorFlow 网站
• TensorFlow 白皮书
• TensorFlow 模型
• TensorFlow MOOC 教程
• TensorFlow Stanford 教程

你可以在 tensorflow.org 社区页 了解更多关于参与 TensorFlow 社区的方法。

所有译者详细信息

阅读更多文章或与更多开发者交流请到掘金,关注感兴趣的标签,订阅相关领域实时动态。

了解更多人工智能知识请前往景略集智,想从零开始学习人工智能请前往景略集智 AI 课堂。

Apache 许可 2.0