Google is committed to advancing racial equity for Black communities. See how.

Por que usar o TensorFlow

Não importa se você está apenas começando ou já tem conhecimentos avançados: o TensorFlow é uma plataforma completa que facilita a criação e a implantação de modelos de ML.

Continue

Um ecossistema completo para resolver problemas desafiadores do mundo real por meio de machine learning

Criação fácil de modelos

O TensorFlow oferece diversos níveis de abstração para que você possa escolher o que mais se adapta às suas necessidades. Use a API Keras de alto nível para criar e treinar modelos. Assim, é fácil dar os primeiros passos com machine learning e com o TensorFlow.

Se você precisar de mais flexibilidade, a execução rápida permite iteração imediata e depuração intuitiva. Para tarefas de treinamento de ML em grande escala, use a API Distribution Strategy para treinamento distribuído em diferentes configurações de hardware sem mudar as definições do modelo.

Continue

Produção robusta de ML em qualquer lugar

O TensorFlow sempre possibilitou um caminho direto para a produção. Tanto em servidores quanto em dispositivos de borda ou a Web, o TensorFlow permite treinar e implantar modelos de maneira simplificada, independentemente da linguagem ou da plataforma utilizada.

Use o TensorFlow Extended (TFX) se você precisar de um pipeline completo de ML para produção. Para executar inferências em dispositivos móveis e de borda, use o TensorFlow Lite. Treine e implante modelos em ambientes JavaScript com o TensorFlow.js.

Continue

Experimentos poderosos para pesquisa

Crie e treine modelos avançados sem sacrificar velocidade ou desempenho. O TensorFlow proporciona flexibilidade e controle com recursos como a API funcional Keras e a API de subclassificação de modelos para a criação de topologias complexas. Use a execução rápida para simplificar a prototipagem e acelerar a depuração.

O TensorFlow também é compatível com um poderoso ecossistema de modelos e bibliotecas de complementos, como Ragged Tensors, TensorFlow Probability, Tensor2Tensor e BERT.

Continue

Conheça o programa piloto de parceiros confiáveis do TensorFlow

Temos um programa piloto criado para conectar empresas a integradores de sistemas com experiência em soluções de machine learning que podem ajudar você a inovar com mais rapidez, resolver problemas de maneira mais inteligente e expandir ainda mais o dimensionamento.

Conecte-se com um parceiro confiável do TensorFlow

Conheça nosso grupo inicial de parceiros confiáveis que podem ajudar a acelerar suas metas de negócios com ML.

Saiba mais sobre o funcionamento de machine learning

Você quer saber como uma rede neural funciona? Ou quais são os passos para resolver um problema de ML? Não se preocupe, é para isso que estamos aqui. Confira a seguir uma visão geral dos fundamentos de machine learning. Se você quiser informações mais detalhadas, acesse a página de educação e veja conteúdo para o nível avançado e iniciante.

Introdução a ML

Machine learning é a prática de ajudar softwares a realizar tarefas sem programação ou regras explícitas. Na programação tradicional, um desenvolvedor especifica regras que o computador precisa seguir. Porém, ML demanda uma mentalidade diferente. No mundo real, o foco de ML é mais na análise de dados do que na programação. Os desenvolvedores fornecem exemplos, e o computador aprende padrões a partir dos dados. Pense em machine learning como "programação com dados".

Passos para resolver um problema de ML

Há muitos passos no processo de extrair respostas dos dados com ML. Para ter uma visão geral passo a passo, confira este guia que mostra o fluxo de trabalho completo de classificação de texto e descreve etapas importantes, como coletar um conjunto de dados, treinar e avaliar um modelo com o TensorFlow.

Anatomia de uma rede neural

Uma rede neural é um tipo de modelo treinado para reconhecer padrões. Ela é composta por camadas de entrada e finais, além de pelo menos uma camada escondida. Os neurônios de cada uma delas aprendem representações cada vez mais abstratas dos dados. Por exemplo, neste diagrama, vemos neurônios que detectam linhas, formas e texturas. Essas representações (ou características aprendidas) possibilitam a classificação dos dados.

Treinar uma rede neural

Redes neurais são treinadas por gradiente descendente Os pesos de cada camada começam com valores aleatórios, que melhoram por iteração com o tempo. Isso aumenta a acurácia da rede. Uma função de perda é usada para quantificar essa acurácia. Um processo chamado retropropagação é usado para determinar se o peso aumentará ou diminuirá a fim de reduzir a perda.

Nossa comunidade

A comunidade do TensorFlow é um grupo ativo de desenvolvedores, pesquisadores, visionários, inventores e pessoas que resolvem problemas. A porta sempre está aberta para que você contribua, colabore e compartilhe ideias.