Por qué TensorFlow
Seas experto o principiante, TensorFlow es una plataforma de extremo a extremo que facilita tanto la creación como la implementación de modelos de AA.
Un ecosistema completo para ayudarte a resolver problemas complejos del mundo real con aprendizaje automático
Creación sencilla de modelos
TensorFlow ofrece varios niveles de abstracción para que puedas elegir el que se adecue a tus necesidades. Crea y entrena modelos mediante la API de alto nivel de Keras, que ayuda a que los primeros pasos con TensorFlow y el aprendizaje automático sean sencillos.
Si necesitas más flexibilidad, la ejecución inmediata permite realizar iteración al instante y depuración intuitiva. Para tareas grandes de AA, usa la API de estrategia de distribución para el entrenamiento distribuido en diferentes configuraciones de hardware sin cambiar la definición del modelo.
Producción de AA sólido en cualquier parte
TensorFlow siempre ofreció un camino directo a la producción. TensorFlow permite el entrenamiento y la implementación de tu modelo de forma fácil, ya sea en servidores, dispositivos perimetrales o en la web, sin importar el lenguaje o la plataforma que utilices.
Usa TFX si necesitas una canalización de AA de producción completa. Para ejecutar la inferencia en dispositivos móviles y perimetrales, usa TensorFlow Lite. Entrena e implementa modelos en entornos de JavaScript con TensorFlow.js.
Importante experimentación para la investigación
Crea y entrena modelos innovadores sin sacrificar la velocidad ni el rendimiento. TensorFlow te brinda la flexibilidad y el control con funciones como la API funcional de Keras y la API de subclases de modelos para la creación de topologías complejas. Para lograr un prototipado fácil y una depuración rápida, usa la ejecución inmediata.
TensorFlow también es compatible con un ecosistema de potentes bibliotecas de complementos y modelos para experimentar, entre los que se incluyen Ragged Tensors, TensorFlow Probability, Tensor2Tensor y BERT.
Mira cómo usan TensorFlow las empresas
Aprende cómo funciona el aprendizaje automático
¿Alguna vez quisiste saber cómo funciona una red neuronal? ¿O cuáles son los pasos para resolver un problema de AA? No te preocupes, te ayudaremos. A continuación incluimos una breve descripción de los aspectos básicos del aprendizaje automático. O bien, si estás buscando información más exhaustiva, visita nuestra página educativa para encontrar contenido para estudiantes principiantes y avanzados.
Introducción al AA
El aprendizaje automático es la práctica que consiste en ayudar a un software a realizar una tarea sin programación ni reglas específicas. En la programación informática tradicional, un programador especifica las reglas que la computadora debe usar. Sin embargo, el AA implica otra forma de pensar. El AA del mundo real se centra mucho más en el análisis de datos que en la programación. Los programadores proporcionan una serie de ejemplos a la computadora, y esta aprende patrones a partir de los datos. Puedes considerar el aprendizaje automático como una "programación con datos".
Pasos para resolver un problema de AA
There are multiple steps in the process of getting answers from data using ML. For a step-by-step overview, check out this guide that shows the complete workflow for text classification, and describes important steps like collecting a dataset, and training and evaluating a model with TensorFlow.
Anatomía de una red neuronal
A neural network is a type of model that can be trained to recognize patterns. It is composed of layers, including input and output layers, and at least one hidden layer. Neurons in each layer learn increasingly abstract representations of the data. For example, in this visual diagram we see neurons detecting lines, shapes, and textures. These representations (or learned features) make it possible to classify the data.
Entrenamiento de una red neuronal
Las redes neuronales se entrenan con descenso de gradientes. Los pesos de cada capa comienzan con valores aleatorios, y estos van mejorando de forma iterativa a lo largo del tiempo para hacer que la red se vuelva más exacta. Se usa una función de pérdida para cuantificar el grado de inexactitud de la red y un procedimiento llamado propagación inversa para determinar si se debe aumentar o reducir cada peso a fin de disminuir la pérdida.
Nuestra comunidad
La comunidad de TensorFlow es un grupo activo de desarrolladores, investigadores, visionarios, y personas ingeniosas y resolutivas. La puerta está siempre abierta para que contribuyas, colabores y compartas tus ideas.