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.

Ver los instructivos

Los instructivos te muestran cómo usar TensorFlow con ejemplos completos de extremo a extremo.

Ver la guía

Las guías explican los conceptos y los componentes de TensorFlow.

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.

Para principiantes
Tu primera red neuronal

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.

Para expertos
Redes generativas adversarias

Entrena una red generativa adversaria para generar imágenes de dígitos escritos a mano, con la API de subclases de Keras.

Para expertos
Traducción automática neuronal con atención

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.

14 de julio de 2020
Demostración de LipSync de YouTube con TensorFlow.js

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.

10 de julio de 2020  
TensorFlow 2 incorpora la API de Detección de objetos

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.

8 de julio de 2020  
TensorFlow 2.3 ya está disponible.

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.

26 de junio de 2020
Aprende a optimizar un modelo de BERT previamente entrenado

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.