Google se compromete a impulsar la igualdad racial para las comunidades afrodescendientes. Obtén información al respecto.

Por qué TensorFlow

Seas experto o principiante, TensorFlow es una plataforma de extremo a extremo que ayuda a facilitar tanto la compilación como la implementación de modelos de AA.

Continue

Un ecosistema completo para ayudarte a resolver problemas complejos del mundo real con aprendizaje automático

Compilación sencilla de modelos

TensorFlow ofrece varios niveles de abstracción para que puedas elegir el que se adecue a tus necesidades. Compila y entrena modelos mediante la API de alto nivel de Keras, que ayuda a que comenzar a usar TensorFlow y el aprendizaje automático sea sencillo.

Si necesitas más flexibilidad, la ejecución inmediata permite realizar iteración inmediata 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.

Continue

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 TensorFlow Extended (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.

Continue

Importante experimentación para la investigación

Compila 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.

Continue

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, hay una descripción general breve 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 codificación. 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

Hay muchos pasos en el proceso de obtener respuestas de los datos mediante el AA. Para ver una descripción general detallada, consulta esta guía que muestra el flujo de trabajo completo para la clasificación de texto y describe importantes pasos, 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 que reconozca patrones. Está compuesta por capas, que incluyen capas de entrada y de salida, y, por lo 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 que las neuronas detectan líneas, formas y texturas. Estas representaciones (o atributos aprendidos) hacen posible que se clasifiquen los datos.

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. La función de pérdida se usa para cuantificar el grado de inexactitud de la red, y se emplea 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.