Introdução ao TensorFlow
O TensorFlow facilita para iniciantes e especialistas a criação de modelos de aprendizado de máquina para desktop, dispositivos móveis, web e nuvem. Consulte as seções abaixo para começar.
TensorFlow
Aprenda os fundamentos do TensorFlow com tutoriais para iniciantes e especialistas para ajudá-lo a criar seu próximo projeto de machine learning.
Para Web
Use o TensorFlow.js para criar novos modelos de machine learning e implantar modelos existentes com JavaScript.
Para dispositivos móveis e Edge
Execute inferência com o TensorFlow Lite em dispositivos móveis e incorporados, como Android, iOS, Edge TPU e Raspberry Pi.
Para produção
Implante um pipeline de ML pronto para produção para treinamento e inferência usando o TFX.
Uma plataforma ponta a ponta para aprendizado de máquina
Prepare e carregue dados para resultados de ML bem-sucedidos
Os dados podem ser o fator mais importante para o sucesso de seus empreendimentos de ML. O TensorFlow oferece diversas ferramentas de dados para ajudar você a consolidar, limpar e pré-processar dados em grande escala:
Conjuntos de dados padrão para treinamento inicial e validação
Pipelines de dados altamente escaláveis para carregamento de dados
Camadas de pré-processamento para transformações de entrada comuns
Ferramentas para validar e transformar grandes conjuntos de dados
Além disso, as ferramentas de IA responsáveis ajudam você a descobrir e eliminar distorções em seus dados para produzir resultados justos e éticos a partir de seus modelos.
Crie e ajuste modelos com o ecossistema TensorFlow
Explore todo um ecossistema construído na estrutura Core que agiliza a construção, o treinamento e a exportação de modelos. O TensorFlow oferece suporte a treinamento distribuído, iteração imediata de modelo e depuração fácil com Keras e muito mais. Ferramentas como Model Analysis e TensorBoard ajudam você a acompanhar o desenvolvimento e a melhoria ao longo do ciclo de vida do seu modelo.
Para ajudar você a começar, encontre coleções de modelos pré-treinados do Google e da comunidade no TensorFlow Hub ou implementações de modelos de pesquisa de última geração no Model Garden . Essas bibliotecas de componentes de alto nível permitem que você pegue modelos poderosos e os ajuste com novos dados ou os personalize para executar novas tarefas.
Implante modelos no dispositivo, no navegador, no local ou na nuvem
O TensorFlow oferece recursos robustos para implantar seus modelos em qualquer ambiente: servidores, dispositivos de borda, navegadores, dispositivos móveis, microcontroladores, CPUs, GPUs, FPGAs. O TensorFlow Serving pode executar modelos de ML em escala de produção nos processadores mais avançados do mundo, incluindo as Tensor Processing Units (TPUs) personalizadas do Google.
Se você precisar analisar dados próximos à origem para reduzir a latência e melhorar a privacidade dos dados, a estrutura TensorFlow Lite permite executar modelos em dispositivos móveis, dispositivos de computação de ponta e até mesmo microcontroladores, e a estrutura TensorFlow.js permite executar aprendizado de máquina com apenas um navegador da web.
Experimente no Colab
Servir um modelo com o TensorFlow ServingImplementar MLOps para ML de produção
A plataforma TensorFlow ajuda você a implementar práticas recomendadas para automação de dados, rastreamento de modelos, monitoramento de desempenho e retreinamento de modelos.
Usar ferramentas de nível de produção para automatizar e monitorar o treinamento de modelos ao longo da vida útil de um produto, serviço ou processo de negócios é fundamental para o sucesso. O TFX fornece estruturas de software e ferramentas para implantações completas de MLOps, detectando problemas à medida que seus dados e modelos evoluem ao longo do tempo.
Quer expandir seu conhecimento de ML?
O TensorFlow é mais fácil de usar com uma compreensão básica dos princípios e conceitos básicos do aprendizado de máquina. Aprenda e aplique práticas fundamentais de aprendizado de máquina para desenvolver suas habilidades.
Comece com currículos selecionados para aprimorar suas habilidades nas áreas fundamentais de ML.