Introdução ao TensorFlow
Com o TensorFlow, iniciantes e usuários avançados podem criar modelos de machine learning para computadores, dispositivos móveis, Web e nuvem com facilidade. Veja as seções abaixo para começar.
TensorFlow
Saiba mais sobre os fundamentos do TensorFlow com tutoriais para iniciantes e usuários avançados. Eles vão ajudar você a criar seu próximo projeto de machine learning.
Para a Web
Use o TensorFlow.js para criar modelos de machine learning e implantar modelos existentes com o JavaScript.
Para dispositivos móveis e de borda
Execute inferências com o TensorFlow Lite em dispositivos móveis e incorporados como Android, iOS, Edge TPU e Raspberry Pi.
Para produção
Use o TFX para implantar um pipeline de ML de treinamento e inferência pronto para produção.
Uma plataforma completa de machine learning
Preparar e carregar dados para resultados de ML positivos
Os dados podem ser o fator mais importante no sucesso dos seus esforços de ML. O TensorFlow oferece várias ferramentas de dados para ajudar você a consolidar, limpar e pré-processar dados em grande escala:
-
Conjuntos de dados padrão para treinamento e validação inicial
-
Data pipelines altamente escalonáveis para carregar dados
-
Pré-processar camadas para transformações de entrada comuns
-
Ferramentas para validar e transformar grandes conjuntos de dados
Além disso, as ferramentas de IA responsável ajudam você a encontrar e eliminar o viés nos dados para produzir resultados justos e éticos com seus modelos.
Criar e ajustar modelos com o ecossistema do TensorFlow
Conheça um ecossistema criado com base no framework principal, que simplifica a criação, o treinamento e a exportação de modelos. O TensorFlow apoia o treinamento distribuído, a iteração imediata de modelos e a fácil depuração com Keras e muito mais. Ferramentas como a Análise de modelos e o TensorBoard ajudam você a monitorar o desenvolvimento e as melhorias ao longo ciclo de vida do modelo.
Para começar, encontre coleções de modelos pré-treinados no TensorFlow Hub do Google e da comunidade ou confira implementações de modelos de pesquisa de última geração no Jardim modelo. Com essas bibliotecas de componentes de alto nível, é possível usar modelos poderosos e realizar ajustes com novos dados ou personalizar para novas tarefas.
Implantar modelos no dispositivo, no navegador, no local ou na nuvem
O TensorFlow disponibiliza recursos avançados para implantar seus modelos em qualquer ambiente: servidores, dispositivos de borda, navegadores, dispositivos móveis, microcontroladores, CPUs, GPUs e FPGAs. O TensorFlow Serving pode executar modelos de ML em escala de produção nos processadores mais avançados do mundo, incluindo as Unidades de Processamento de Tensor personalizadas do Google (TPUs).
Se você precisar analisar os dados próximos à origem para reduzir a latência e melhorar a privacidade, o framework TensorFlow Lite permite a execução de modelos em dispositivos móveis, dispositivos de computação de borda e até microcontroladores, e o framework TensorFlow.js permite a execução de ML com apenas um navegador da Web.
Testar no Colab
Exibir um modelo com o TensorFlow ServingImplementar MLOps para a produção de ML
A plataforma do TensorFlow ajuda você a implementar práticas recomendadas para a automação de dados, o rastreamento de modelos, o monitoramento de desempenho e o retreinamento de modelos.
O uso de ferramentas de nível de produção para automatizar e rastrear o treinamento de modelos durante o ciclo de vida de um produto, serviço ou processo de negócios é fundamental para ter sucesso. O TFX disponibiliza frameworks de software e ferramentas para implantações completas de MLOps, detectando problemas conforme os dados e modelos evoluem.
Quer ampliar seus conhecimentos sobre ML?
É mais fácil usar o TensorFlow se você tiver uma compreensão básica dos princípios e dos principais conceitos de machine learning. Aprenda e use as práticas fundamentais de machine learning para desenvolver suas habilidades.
Comece com os currículos selecionados para aprimorar suas habilidades nas áreas básicas de ML.