TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático
TensorFlow facilita la creación de modelos de aprendizaje automático tanto para principiantes como expertos. Mira las secciones que se encuentran a continuación para comenzar.
Para principiantes
El mejor punto de partida es la API secuencial, que es fácil de usar. Puedes crear modelos si conectas bloques de compilación. Ejecuta el ejemplo de "Hola, mundo" que se encuentra a continuación y, luego, consulta los instructivos para obtener más información.
Para aprender sobre el AA, visita nuestra página educativa. Comienza con capacitaciones seleccionadas para mejorar tus habilidades en áreas fundamentales del AA.
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 tiene una interfaz definida por ejecución para la investigación avanzada. Crea una clase para tu modelo y, luego, escribe la propagación hacia adelante de manera imperativa. Escribe con facilidad capas personalizadas, activaciones y bucles de entrenamiento. Ejecuta el ejemplo "Hola, mundo" que se encuentra a continuación y, luego, visita los instructivos 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 para problemas comunes
Explora instructivos paso a paso para obtener ayuda con tus proyectos.
Entrena una red neuronal para que clasifique imágenes de ropa, como zapatillas y camisas, en esta descripción general rápida de un programa completo de TensorFlow.
Entrena una red generativa adversaria para generar imágenes de dígitos escritos a mano, con la API de subclases de Keras.
Entrena un modelo de secuencia a secuencia para la traducción de español a inglés con la API de subclases de Keras.
Noticias y anuncios
Visita nuestro blog para encontrar actualizaciones adicionales y suscríbete a nuestro boletín informativo mensual de TensorFlow para recibir los anuncios más recientes directamente en tu casilla de correo.
Descubre qué tanto conoces la letra del gran éxito "Dance Monkey." Esta experiencia en el navegador utiliza el modelo Facemesh para estimar los puntos clave de los labios a fin de calificar la sincronización de los labios con la letra.
Nuestra base de código ofrece una integración estrecha con Keras, acceso a estrategias de distribución, depuración sencilla con ejecución inmediata: todos los accesorios que podrías esperar de una base de código de TensorFlow 2.
TensorFlow 2.3 muestra las nuevas características en ‘tf.data’ para solucionar los cuellos de botella en la canalización de entrada y guardar recursos, Preprocessing Layers de Keras para el procesamiento previo de datos y nuevas herramientas de TF Profiler.
Este nuevo instructivo usa un modelo de BERT a fin de mostrar una implementación lista para usar de aprendizaje por transferencia de texto, diseñada para permitirte hacer modificaciones o establecer la configuración desde cero.