Obrigado por sintonizar o Google I/O. Veja todas as sessões sob demanda Assista sob demanda

O TensorFlow é uma plataforma completa de código aberto para machine learning

Com o TensorFlow, iniciantes e usuários avançados podem criar modelos de machine learning com facilidade. Veja as seções abaixo para começar.

Ver tutoriais

Os tutoriais ensinam a usar o TensorFlow com exemplos completos.

Ver o guia

Os guias explicam os conceitos e os componentes do TensorFlow.

Para iniciantes

The best place to start is with the user-friendly Sequential API. You can create models by plugging together building blocks. Run the “Hello World” example below, then visit the tutorials to learn more.

To learn ML, check out our education page. Begin with curated curriculums to improve your skills in foundational ML areas.

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 usuários avançados

The Subclassing API provides a define-by-run interface for advanced research. Create a class for your model, then write the forward pass imperatively. Easily author custom layers, activations, and training loops. Run the “Hello World” example below, then visit the tutorials to learn more.

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))

Soluções de problemas recorrentes

Descubra tutoriais passo a passo que auxiliam nos seus projetos.

Para iniciantes
Sua primeira rede neural

Treine uma rede neural para classificar imagens de vestuário, como tênis e camisetas, nesta visão geral rápida de um programa completo no TensorFlow.

Para usuários avançados
Redes adversárias generativas

Use a API de subclassificação do Keras para treinar uma rede adversária generativa e criar imagens de numerais escritos à mão.

Para usuários avançados
Tradução automática neural com atenção

Treine um modelo sequencial para traduzir do espanhol para o inglês com a API de subclassificação do Keras.

Notícias e avisos

Check out our blog for additional updates, and subscribe to our TensorFlow newsletter to get the latest announcements sent directly to your inbox.