TensorFlow

Esta página foi traduzida pela API Cloud Translation.

Uma plataforma ponta a ponta para aprendizado de máquina

Primeiros passos com o TensorFlow

O TensorFlow facilita a criação de modelos de ML que podem ser executados em qualquer ambiente. Aprenda como usar APIs intuitivas por meio de exemplos de código interativos.

Ver tutoriais

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)

TensorFlow GNN

Analise dados relacionais usando redes neurais gráficas

GNNs podem processar relacionamentos complexos entre objetos, tornando-os uma técnica poderosa para previsão de tráfego, descoberta médica e muito mais.

Saiba mais sobre TF GNN

LiteRT

Melhorando o acesso à saúde materna com ML no dispositivo

Saiba como o LiteRT (anteriormente TensorFlow Lite) permite o acesso à avaliação de ultrassom fetal, melhorando os resultados de saúde para mulheres e famílias em todo o Quênia e no mundo.

Explorar LiteRT

Agentes TensorFlow

Crie sistemas de recomendação com aprendizagem por reforço

Saiba como o Spotify usa o ecossistema TensorFlow para projetar um simulador off-line extensível e treinar agentes RL para gerar playlists.

Leia o blog

O que há de novo no TensorFlow

Leia os anúncios mais recentes da equipe e da comunidade do TensorFlow.

What's new in TensorFlow 2.19

Updated 13 de março de 2025

Introducing Wake Vision: A High-Quality, Large-Scale Dataset for TinyML Computer Vision Applications

Updated 5 de dezembro de 2024

Explore o ecossistema

Descubra ferramentas testadas em produção para acelerar a modelagem, a implantação e outros fluxos de trabalho.

Biblioteca
TensorFlow.js
Treine e execute modelos diretamente no navegador usando JavaScript ou Node.js.

Biblioteca

LiteRT

Implante ML em dispositivos móveis e de ponta, como Android, iOS, Raspberry Pi e Edge TPU.

API

tf.data

Pré-processe dados e crie pipelines de entrada para modelos de ML.

Biblioteca

TFX

Crie pipelines de ML de produção e implemente as práticas recomendadas de MLOps.

API

tf.keras

Crie modelos de ML com a API de alto nível do TensorFlow.

Recurso

Modelos Kaggle

Encontre modelos pré-treinados, prontos para ajuste fino e implantação.

Recurso

Conjuntos de dados do TensorFlow

Navegue pela coleção de conjuntos de dados padrão para treinamento inicial e validação.

Ferramenta

TensorBoard

Visualize e acompanhe o desenvolvimento de modelos de ML.

Ferramentas de desenvolvedor

Ferramentas para avaliar modelos, otimizar desempenho e produzir fluxos de trabalho 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)

Primeiros passos com o TensorFlow

Resolva problemas do mundo real com ML