Por que o TensorFlow

Seja você um especialista ou um iniciante, o TensorFlow é uma plataforma completa que facilita a criação e a implantação de modelos de ML.

Um ecossistema completo para ajudá-lo a resolver problemas desafiadores do mundo real com aprendizado de máquina

Construção fácil de modelo

O TensorFlow oferece vários níveis de abstração para que você possa escolher o mais adequado às suas necessidades. Crie e treine modelos usando a API Keras de alto nível, o que facilita os primeiros passos com o TensorFlow e o aprendizado de máquina.

Se você precisar de mais flexibilidade, a execução rápida permite iteração imediata e depuração intuitiva. Para grandes tarefas de treinamento de ML, use a API Distribution Strategy para treinamento distribuído em diferentes configurações de hardware sem alterar a definição do modelo.

Produção robusta de ML em qualquer lugar

O TensorFlow sempre forneceu um caminho direto para a produção. Seja em servidores, dispositivos de borda ou na Web, o TensorFlow permite treinar e implantar seu modelo facilmente, independentemente da linguagem ou plataforma usada.

Use o TFX se precisar de um pipeline de ML de produção completo. Para executar inferência em dispositivos móveis e de borda, use o TensorFlow Lite. Treine e implante modelos em ambientes JavaScript usando TensorFlow.js.

Experimentação poderosa para pesquisa

Crie e treine modelos de última geração sem sacrificar a velocidade ou o desempenho. O TensorFlow oferece flexibilidade e controle com recursos como Keras Functional API e Model Subclassing API para criação de topologias complexas. Para prototipagem fácil e depuração rápida, use execução rápida.

O TensorFlow também oferece suporte a um ecossistema de bibliotecas e modelos complementares poderosos para experimentar, incluindo Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.

Veja como as empresas estão usando o TensorFlow

Airbnb
Coca Cola
Mente Profunda
GE Saúde
Google
Informações
NERSC
Twitter

Saiba como funciona o aprendizado de máquina

Você já quis saber como funciona uma rede neural? Ou quais são as etapas para resolver um problema de ML? Não se preocupe, nós ajudamos você. Abaixo está uma rápida visão geral dos fundamentos do aprendizado de máquina. Ou, se você estiver procurando informações mais detalhadas, acesse nossa página educacional para conteúdo iniciante e avançado.

Introdução ao ML

O aprendizado de máquina é a prática de ajudar o software a executar uma tarefa sem programação ou regras explícitas. Na programação de computadores tradicional, um programador especifica regras que o computador deve usar. No entanto, o ML requer uma mentalidade diferente. O ML do mundo real concentra-se muito mais na análise de dados do que na codificação. Os programadores fornecem um conjunto de exemplos e o computador aprende padrões a partir dos dados. Você pode pensar em aprendizado de máquina como “programação com dados”.

Etapas para resolver um problema de ML

Existem várias etapas no processo de obtenção de respostas de dados usando ML. Para uma visão geral passo a passo, confira este guia que mostra o fluxo de trabalho completo para classificação de texto e descreve etapas importantes, como coletar um conjunto de dados e treinar e avaliar um modelo com o TensorFlow.

Anatomia de uma rede neural

Uma rede neural é um tipo de modelo que pode ser treinado para reconhecer padrões. É composto por camadas, incluindo camadas de entrada e saída, e pelo menos uma camada oculta . Os neurônios em cada camada aprendem representações cada vez mais abstratas dos dados. Por exemplo, neste diagrama visual vemos neurônios detectando linhas, formas e texturas. Essas representações (ou características aprendidas) possibilitam a classificação dos dados.

Treinando uma rede neural

As redes neurais são treinadas por gradiente descendente. Os pesos em cada camada começam com valores aleatórios e são melhorados iterativamente ao longo do tempo para tornar a rede mais precisa. Uma função de perda é usada para quantificar o quão imprecisa é a rede, e um procedimento chamado retropropagação é usado para determinar se cada peso deve ser aumentado ou diminuído para reduzir a perda.

Nossa comunidade

A comunidade TensorFlow é um grupo ativo de desenvolvedores, pesquisadores, visionários, criadores e solucionadores de problemas. A porta está sempre aberta para contribuir, colaborar e compartilhar suas ideias.

,

Por que o TensorFlow

Seja você um especialista ou um iniciante, o TensorFlow é uma plataforma completa que facilita a criação e a implantação de modelos de ML.

Um ecossistema completo para ajudá-lo a resolver problemas desafiadores do mundo real com aprendizado de máquina

Construção fácil de modelo

O TensorFlow oferece vários níveis de abstração para que você possa escolher o mais adequado às suas necessidades. Crie e treine modelos usando a API Keras de alto nível, o que facilita os primeiros passos com o TensorFlow e o aprendizado de máquina.

Se você precisar de mais flexibilidade, a execução rápida permite iteração imediata e depuração intuitiva. Para grandes tarefas de treinamento de ML, use a API Distribution Strategy para treinamento distribuído em diferentes configurações de hardware sem alterar a definição do modelo.

Produção robusta de ML em qualquer lugar

O TensorFlow sempre forneceu um caminho direto para a produção. Seja em servidores, dispositivos de borda ou na Web, o TensorFlow permite treinar e implantar seu modelo facilmente, independentemente da linguagem ou plataforma usada.

Use o TFX se precisar de um pipeline de ML de produção completo. Para executar inferência em dispositivos móveis e de borda, use o TensorFlow Lite. Treine e implante modelos em ambientes JavaScript usando TensorFlow.js.

Experimentação poderosa para pesquisa

Crie e treine modelos de última geração sem sacrificar a velocidade ou o desempenho. O TensorFlow oferece flexibilidade e controle com recursos como Keras Functional API e Model Subclassing API para criação de topologias complexas. Para prototipagem fácil e depuração rápida, use execução rápida.

O TensorFlow também oferece suporte a um ecossistema de bibliotecas e modelos complementares poderosos para experimentar, incluindo Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.

Veja como as empresas estão usando o TensorFlow

Airbnb
Coca Cola
Mente Profunda
GE Saúde
Google
Informações
NERSC
Twitter

Saiba como funciona o aprendizado de máquina

Você já quis saber como funciona uma rede neural? Ou quais são as etapas para resolver um problema de ML? Não se preocupe, nós ajudamos você. Abaixo está uma rápida visão geral dos fundamentos do aprendizado de máquina. Ou, se você estiver procurando informações mais detalhadas, acesse nossa página educacional para conteúdo iniciante e avançado.

Introdução ao ML

O aprendizado de máquina é a prática de ajudar o software a executar uma tarefa sem programação ou regras explícitas. Na programação de computadores tradicional, um programador especifica regras que o computador deve usar. No entanto, o ML requer uma mentalidade diferente. O ML do mundo real concentra-se muito mais na análise de dados do que na codificação. Os programadores fornecem um conjunto de exemplos e o computador aprende padrões a partir dos dados. Você pode pensar em aprendizado de máquina como “programação com dados”.

Etapas para resolver um problema de ML

Existem várias etapas no processo de obtenção de respostas de dados usando ML. Para uma visão geral passo a passo, confira este guia que mostra o fluxo de trabalho completo para classificação de texto e descreve etapas importantes, como coletar um conjunto de dados e treinar e avaliar um modelo com o TensorFlow.

Anatomia de uma rede neural

Uma rede neural é um tipo de modelo que pode ser treinado para reconhecer padrões. É composto por camadas, incluindo camadas de entrada e saída, e pelo menos uma camada oculta . Os neurônios em cada camada aprendem representações cada vez mais abstratas dos dados. Por exemplo, neste diagrama visual vemos neurônios detectando linhas, formas e texturas. Essas representações (ou características aprendidas) possibilitam a classificação dos dados.

Treinando uma rede neural

As redes neurais são treinadas por gradiente descendente. Os pesos em cada camada começam com valores aleatórios e são melhorados iterativamente ao longo do tempo para tornar a rede mais precisa. Uma função de perda é usada para quantificar o quão imprecisa é a rede, e um procedimento chamado retropropagação é usado para determinar se cada peso deve ser aumentado ou diminuído para reduzir a perda.

Nossa comunidade

A comunidade TensorFlow é um grupo ativo de desenvolvedores, pesquisadores, visionários, criadores e solucionadores de problemas. A porta está sempre aberta para contribuir, colaborar e compartilhar suas ideias.