TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático
TensorFlow facilita la creación de modelos de aprendizaje automático, sin importar si eres principiante o experto. Consulta 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 conectando componentes básicos. Ejecuta el ejemplo de "Hello World" 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 de "Hello World" 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 indumentaria, como zapatillas y camisas, en esta reseña 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 que traduzca 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.
Nos complace presentar TensorFlow Recommenders (TFRS), un paquete de código abierto de TensorFlow que permite crear, evaluar y derivar fácilmente modelos de recomendación complejos.
TF-Coder es una herramienta de síntesis de programas que te ayuda a escribir código de TensorFlow. En lugar de programar directamente las manipulaciones de tensores, muestra un ejemplo ilustrativo y TF-Coder te proporcionará automáticamente el código correspondiente. ¡Pruébalo tú mismo en un Codelab!
Introducción a una API de agrupamiento en clústeres por peso que creó y aportó Arm. El agrupamiento en clústeres por peso reduce los tamaños de almacenamiento y transferencia de tu modelo ya que reemplaza varios valores de parámetro únicos por una cantidad menor de valores únicos.
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.
Participación de la comunidad
Descubre más formas de participar en la comunidad de TensorFlow.