Por qué TensorFlow

Ya sea un experto o un principiante, TensorFlow es una plataforma de un extremo a otro que le facilita la creación e implementación de modelos de aprendizaje automático.

Un ecosistema completo para ayudarle a resolver problemas desafiantes del mundo real con aprendizaje automático

Fácil construcción de modelos

TensorFlow ofrece múltiples niveles de abstracción para que puedas elegir el más adecuado a tus necesidades. Cree y entrene modelos utilizando la API de Keras de alto nivel, lo que facilita la introducción a TensorFlow y el aprendizaje automático.

Si necesita más flexibilidad, la ejecución entusiasta permite una iteración inmediata y una depuración intuitiva. Para tareas de capacitación de ML de gran tamaño, utilice la API de estrategia de distribución para la capacitación distribuida en diferentes configuraciones de hardware sin cambiar la definición del modelo.

Producción sólida de aprendizaje automático en cualquier lugar

TensorFlow siempre ha proporcionado un camino directo a la producción. Ya sea en servidores, dispositivos perimetrales o la web, TensorFlow le permite entrenar e implementar su modelo fácilmente, sin importar el idioma o la plataforma que utilice.

Utilice TFX si necesita una canalización de ML de producción completa. Para ejecutar inferencia en dispositivos móviles y perimetrales, utilice TensorFlow Lite. Entrene e implemente modelos en entornos JavaScript usando TensorFlow.js.

Potente experimentación para la investigación.

Construya y entrene modelos de última generación sin sacrificar la velocidad ni el rendimiento. TensorFlow le brinda flexibilidad y control con funciones como Keras Functional API y Model Subclassing API para la creación de topologías complejas. Para crear prototipos fácilmente y depurar rápidamente, utilice la ejecución entusiasta.

TensorFlow también admite un ecosistema de potentes bibliotecas complementarias y modelos con los que experimentar, incluidos Ragged Tensors, TensorFlow Probability, Tensor2Tensor y BERT.

Vea cómo las empresas utilizan TensorFlow

Airbnb
Coca Cola
Mente profunda
GE atención sanitaria
Google
Intel
NERSC
Gorjeo

Descubra cómo funciona el aprendizaje automático

¿Alguna vez quisiste saber cómo funciona una red neuronal? ¿O cuáles son los pasos para resolver un problema de ML? No se preocupe, lo tenemos cubierto. A continuación se muestra una descripción general rápida de los fundamentos del aprendizaje automático. O, si está buscando información más detallada, diríjase a nuestra página de educación para obtener contenido para principiantes y avanzados.

Introducción al aprendizaje automático

El aprendizaje automático es la práctica de ayudar al software a realizar una tarea sin programación ni reglas explícitas. Con la programación informática tradicional, un programador especifica las reglas que debe utilizar la computadora. Sin embargo, el aprendizaje automático requiere una mentalidad diferente. El aprendizaje automático en el mundo real se centra mucho más en el análisis de datos que en la codificación. Los programadores proporcionan un conjunto de ejemplos y la computadora aprende patrones a partir de los datos. Puede pensar en el aprendizaje automático como "programación con datos".

Pasos para resolver un problema de ML

Hay varios pasos en el proceso de obtener respuestas a partir de datos mediante ML. Para obtener una descripción general paso a paso, consulte esta guía que muestra el flujo de trabajo completo para la clasificación de texto y describe pasos importantes como recopilar un conjunto de datos y entrenar y evaluar un modelo con TensorFlow.

Anatomía de una red neuronal.

Una red neuronal es un tipo de modelo que se puede entrenar para reconocer patrones. Está compuesto por capas, incluidas capas de entrada y salida, y al menos una capa oculta . Las neuronas de cada capa aprenden representaciones cada vez más abstractas de los datos. Por ejemplo, en este diagrama visual vemos neuronas detectando líneas, formas y texturas. Estas representaciones (o características aprendidas) permiten clasificar los datos.

Entrenando una red neuronal

Las redes neuronales se entrenan mediante descenso de gradiente. Los pesos en cada capa comienzan con valores aleatorios y estos se mejoran iterativamente con el tiempo para hacer que la red sea más precisa. Se utiliza una función de pérdida para cuantificar qué tan inexacta es la red y se usa un procedimiento llamado retropropagación para determinar si cada peso debe aumentarse o disminuirse para reducir la pérdida.

Nuestra comunidad

La comunidad TensorFlow es un grupo activo de desarrolladores, investigadores, visionarios, reparadores y solucionadores de problemas. La puerta siempre está abierta para aportar, colaborar y compartir tus ideas.

,

Por qué TensorFlow

Ya sea un experto o un principiante, TensorFlow es una plataforma de un extremo a otro que le facilita la creación e implementación de modelos de aprendizaje automático.

Un ecosistema completo para ayudarle a resolver problemas desafiantes del mundo real con aprendizaje automático

Fácil construcción de modelos

TensorFlow ofrece múltiples niveles de abstracción para que puedas elegir el más adecuado a tus necesidades. Cree y entrene modelos utilizando la API de Keras de alto nivel, lo que facilita la introducción a TensorFlow y el aprendizaje automático.

Si necesita más flexibilidad, la ejecución entusiasta permite una iteración inmediata y una depuración intuitiva. Para tareas de capacitación de ML de gran tamaño, utilice la API de estrategia de distribución para la capacitación distribuida en diferentes configuraciones de hardware sin cambiar la definición del modelo.

Producción sólida de aprendizaje automático en cualquier lugar

TensorFlow siempre ha proporcionado un camino directo a la producción. Ya sea en servidores, dispositivos perimetrales o la web, TensorFlow le permite entrenar e implementar su modelo fácilmente, sin importar el idioma o la plataforma que utilice.

Utilice TFX si necesita una canalización de ML de producción completa. Para ejecutar inferencia en dispositivos móviles y perimetrales, utilice TensorFlow Lite. Entrene e implemente modelos en entornos JavaScript usando TensorFlow.js.

Potente experimentación para la investigación.

Construya y entrene modelos de última generación sin sacrificar la velocidad ni el rendimiento. TensorFlow le brinda flexibilidad y control con funciones como Keras Functional API y Model Subclassing API para la creación de topologías complejas. Para crear prototipos fácilmente y depurar rápidamente, utilice la ejecución entusiasta.

TensorFlow también admite un ecosistema de potentes bibliotecas complementarias y modelos con los que experimentar, incluidos Ragged Tensors, TensorFlow Probability, Tensor2Tensor y BERT.

Vea cómo las empresas utilizan TensorFlow

Airbnb
Coca Cola
Mente profunda
GE atención sanitaria
Google
Intel
NERSC
Gorjeo

Descubra cómo funciona el aprendizaje automático

¿Alguna vez quisiste saber cómo funciona una red neuronal? ¿O cuáles son los pasos para resolver un problema de ML? No se preocupe, lo tenemos cubierto. A continuación se muestra una descripción general rápida de los fundamentos del aprendizaje automático. O, si está buscando información más detallada, diríjase a nuestra página de educación para obtener contenido para principiantes y avanzados.

Introducción al aprendizaje automático

El aprendizaje automático es la práctica de ayudar al software a realizar una tarea sin programación ni reglas explícitas. Con la programación informática tradicional, un programador especifica las reglas que debe utilizar la computadora. Sin embargo, el aprendizaje automático requiere una mentalidad diferente. El aprendizaje automático en el mundo real se centra mucho más en el análisis de datos que en la codificación. Los programadores proporcionan un conjunto de ejemplos y la computadora aprende patrones a partir de los datos. Puede pensar en el aprendizaje automático como "programación con datos".

Pasos para resolver un problema de ML

Hay varios pasos en el proceso de obtener respuestas a partir de datos mediante ML. Para obtener una descripción general paso a paso, consulte esta guía que muestra el flujo de trabajo completo para la clasificación de texto y describe pasos importantes como recopilar un conjunto de datos y entrenar y evaluar un modelo con TensorFlow.

Anatomía de una red neuronal.

Una red neuronal es un tipo de modelo que se puede entrenar para reconocer patrones. Está compuesto por capas, incluidas capas de entrada y salida, y al menos una capa oculta . Las neuronas de cada capa aprenden representaciones cada vez más abstractas de los datos. Por ejemplo, en este diagrama visual vemos neuronas detectando líneas, formas y texturas. Estas representaciones (o características aprendidas) permiten clasificar los datos.

Entrenando una red neuronal

Las redes neuronales se entrenan mediante descenso de gradiente. Los pesos en cada capa comienzan con valores aleatorios y estos se mejoran iterativamente con el tiempo para hacer que la red sea más precisa. Se utiliza una función de pérdida para cuantificar qué tan inexacta es la red y se usa un procedimiento llamado retropropagación para determinar si cada peso debe aumentarse o disminuirse para reducir la pérdida.

Nuestra comunidad

La comunidad TensorFlow es un grupo activo de desarrolladores, investigadores, visionarios, reparadores y solucionadores de problemas. La puerta siempre está abierta para aportar, colaborar y compartir tus ideas.