Assista palestras, sessões de produtos, workshops e muito mais na lista de reprodução do Google I / O See

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

O melhor lugar para começar é a API Sequential, que é fácil de usar. É possível combinar elementos fundamentais para criar modelos. Execute o exemplo "Hello World" abaixo e acesse os tutoriais para saber mais.

Para aprender ML, confira a página de educação. Comece com os currículos selecionados para aprimorar suas habilidades nas áreas básicas 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 usuários avançados

A API de subclassificação fornece uma interface definida pela execução para pesquisas avançadas. Crie uma classe para o modelo e então escreva a instrução de maneira imperativa. Crie camadas, ativações e loops de treinamento com facilidade. Execute o exemplo "Hello World" abaixo e veja os tutoriais para saber mais.

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

Confira nosso blog para ver mais atualizações. Inscreva-se na newsletter mensal do TensorFlow para receber os comunicados mais recentes diretamente na sua caixa de entrada.

23 de setembro de 2020  
Conheça a TensorFlow Recommenders

Temos o prazer de anunciar o TensorFlow Recommenders (TFRS), um pacote de código aberto do TensorFlow que facilita a criação, avaliação e veiculação de modelos de recomendação sofisticados.

26 de agosto de 2020  
Conheça o TF-Coder, uma ferramenta que escreve expressões complicadas do TensorFlow para você.

O TF-Coder é uma ferramenta de síntese de programas que ajuda a escrever código do TensorFlow. Em vez de codificar diretamente manipulações complicadas de tensor, você pode demonstrá-las com um exemplo ilustrativo, e o TF-Coder criará o código correspondente de maneira automática. Experimente por conta própria em um Codelab.

11 de agosto de 2020  
Ferramentas de otimização de modelos do TensorFlow: API Weight Clustering

Conheça uma API de clustering de peso que foi proposta e criada em colaboração com a Arm. O clustering de peso ajuda a reduzir o tamanho de armazenamento e de transferência do modelo ao substituir muitos valores de parâmetros exclusivos por um número menor deles.

14 de julho de 2020  
Demonstração do LipSync do YouTube com o TensorFlow.js

Veja como está sua sincronização no lip sync do sucesso "Dance Monkey." Essa experiência no navegador usa o modelo Facemesh para estimar os pontos principais em volta dos lábios e medir a precisão do lip sync.