Introducción a TensorFlow

TensorFlow facilita la creación de modelos de aprendizaje automático para computadoras de escritorio, dispositivos móviles, la web y la nube, sin importar si eres principiante o experto. Consulta las secciones que se encuentran a continuación para comenzar.

TensorFlow

Aprende los conceptos fundamentales de TensorFlow con instructivos para principiantes y expertos para crear tu próximo proyecto de aprendizaje automático.

Más información

Para Web

Utiliza TensorFlow.js para crear nuevos modelos de aprendizaje automático y para implementar modelos existentes con JavaScript.

Más información

Para dispositivos móviles y perimetrales

Run inference with LiteRT on mobile and embedded devices like Android, iOS, Edge TPU, and Raspberry Pi.

Más información

Para producción

Implementa una canalización de AA lista para la producción que esté orientada al entrenamiento y la inferencia con TFX.

Más información

Prepara y carga datos para obtener resultados de AA útiles

Los datos pueden ser el factor más importante en tus proyectos de AA. TensorFlow ofrece múltiples herramientas de datos para que proceses previamente, consolides y depures datos a gran escala:

Conjuntos de datos estándar para el entrenamiento y la validación iniciales
Canalizaciones de datos altamente escalables para cargar datos
Capas de procesamiento previo para transformaciones de entradas comunes
Herramientas para validar y transformar grandes conjuntos de datos

Además, las herramientas de IA responsable te ayudan a revelar y eliminar sesgos en los datos para obtener resultados justos y éticos de los modelos.

Pruébalo en Colab

Carga y procesa un conjunto de datos de imágenes Investiga y visualiza conjuntos de datos

Crea y optimiza modelos con el ecosistema de TensorFlow

Explora todo un ecosistema creado en el framework principal que optimiza la construcción, el entrenamiento y la exportación de modelos. TensorFlow admite el entrenamiento distribuido, la iteración de modelos al instante y la depuración fácil con Keras, y mucho más. Algunas herramientas, como el Análisis de modelos y TensorBoard te ayudan a hacer un seguimiento del desarrollo y las mejoras durante el ciclo de vida de tu modelo.

Para ayudarte a comenzar, te ofrecemos colecciones de modelos previamente entrenados en TensorFlow Hub, de Google y la comunidad, o implementaciones de modelos de investigación de última generación en Model Garden. Estas bibliotecas de componentes de alta calidad te permiten tomar modelos potentes y optimizarlos con nuevos datos o personalizarlos para nuevas tareas.

Pruébalo en Colab

Entrena una red neuronal para que clasifique imágenes Vuelve a entrenar un clasificador de imágenes por medio de aprendizaje por transferencia

Implementa modelos locales, en el navegador, en la nube o integrados en el dispositivo

TensorFlow provides robust capabilities to deploy your models on any environment - servers, edge devices, browsers, mobile, microcontrollers, CPUs, GPUs, FPGAs. TensorFlow Serving can run ML models at production scale on the most advanced processors in the world, including Google's custom Tensor Processing Units (TPUs).

If you need to analyze data close to its source to reduce latency and improve data privacy, the LiteRT framework lets you run models on mobile devices, edge computing devices, and even microcontrollers, and the TensorFlow.js framework lets you run machine learning with just a web browser.

Pruébalo en Colab

Deriva un modelo con TensorFlow Serving

Implementa MLOps para la producción de AA

La plataforma de TensorFlow te ayuda a implementar las prácticas recomendadas para la automatización de datos, la supervisión del rendimiento y el monitoreo y reentrenamiento de modelos.

Una de las claves para el éxito es el uso de herramientas de nivel de producción para automatizar y llevar un registro del entrenamiento del modelo a lo largo del ciclo de vida de un producto, servicio o proceso comercial. TFX ofrece frameworks de software y herramientas para implementaciones completas de operaciones de AA, que detectan problemas a medida que los datos y modelos evolucionan con el tiempo.