Asista al Simposio Mujeres en ML el 7 de diciembre Regístrese ahora
Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

TensorFlow es una plataforma de código abierto integral para el aprendizaje automático

TensorFlow facilita a principiantes y expertos la creación de modelos de aprendizaje automático. Consulte las secciones a continuación para comenzar.

Ver tutoriales

Los tutoriales le muestran cómo usar TensorFlow con ejemplos completos de extremo a extremo.

ver la guía

Las guías explican los conceptos y componentes de TensorFlow.

Para principiantes

El mejor lugar para comenzar es con la API secuencial fácil de usar. Puede crear modelos conectando bloques de construcción. Ejecute el ejemplo "Hello World" a continuación, luego visite los tutoriales para obtener más información.

Para aprender ML, consulte nuestra página de educación . Comience con currículos seleccionados para mejorar sus habilidades en áreas fundamentales de ML.

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

Para expertos

La API de subclases proporciona una interfaz definida por ejecución para la investigación avanzada. Cree una clase para su modelo, luego escriba el pase hacia adelante de manera imperativa. Cree fácilmente capas personalizadas, activaciones y bucles de entrenamiento. Ejecute el ejemplo "Hello World" a continuación, luego visite los tutoriales para obtener más información.

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

Soluciones a problemas comunes

Explora tutoriales paso a paso para ayudarte con tus proyectos.

Para principiantes
Tu primera red neuronal

Entrene una red neuronal para clasificar imágenes de ropa, como zapatillas y camisetas, en esta descripción general rápida de un programa completo de TensorFlow.

Para expertos
Redes antagónicas generativas

Entrene una red antagónica generativa para generar imágenes de dígitos escritos a mano, utilizando la API de subclases de Keras.

Para expertos
Traducción automática neuronal con atención

Entrene un modelo de secuencia a secuencia para la traducción de español a inglés utilizando la API de subclases de Keras.

Noticias y anuncios

Consulte nuestro blog para obtener actualizaciones adicionales y suscríbase a nuestro boletín TensorFlow para recibir los anuncios más recientes directamente en su bandeja de entrada.