Por qué TensorFlow
Seas experto o principiante, TensorFlow es una plataforma de extremo a extremo que facilita tanto la creación como la implementación de modelos de AA.
Un ecosistema completo para ayudarte a resolver problemas complejos del mundo real con aprendizaje automático
Creación sencilla de modelos
TensorFlow ofrece varios niveles de abstracción para que puedas elegir el que se adecue a tus necesidades. Crea y entrena modelos mediante la API de alto nivel de Keras, que ayuda a que los primeros pasos con TensorFlow y el aprendizaje automático sean sencillos.
Si necesitas más flexibilidad, la ejecución inmediata permite realizar iteración al instante y depuración intuitiva. Para tareas grandes de AA, usa la API de estrategia de distribución para el entrenamiento distribuido en diferentes configuraciones de hardware sin cambiar la definición del modelo.
Producción de AA sólido en cualquier parte
TensorFlow siempre ofreció un camino directo a la producción. TensorFlow permite el entrenamiento y la implementación de tu modelo de forma fácil, ya sea en servidores, dispositivos perimetrales o en la web, sin importar el lenguaje o la plataforma que utilices.
Usa TFX si necesitas una canalización de AA de producción completa. Para ejecutar la inferencia en dispositivos móviles y perimetrales, usa TensorFlow Lite. Entrena e implementa modelos en entornos de JavaScript con TensorFlow.js.
Importante experimentación para la investigación
Crea y entrena modelos innovadores sin sacrificar la velocidad ni el rendimiento. TensorFlow te brinda la flexibilidad y el control con funciones como la API funcional de Keras y la API de subclases de modelos para la creación de topologías complejas. Para lograr un prototipado fácil y una depuración rápida, usa la ejecución inmediata.
TensorFlow también es compatible con un ecosistema de potentes bibliotecas de complementos y modelos para experimentar, entre los que se incluyen Ragged Tensors, TensorFlow Probability, Tensor2Tensor y BERT.
Mira cómo usan TensorFlow las empresas
Aprende cómo funciona el aprendizaje automático
¿Alguna vez quisiste saber cómo funciona una red neuronal? ¿O cuáles son los pasos para resolver un problema de AA? No te preocupes, te ayudaremos. A continuación incluimos una breve descripción de los aspectos básicos del aprendizaje automático. O bien, si estás buscando información más exhaustiva, visita nuestra página educativa para encontrar contenido para estudiantes principiantes y avanzados.
Introducción al AA
El aprendizaje automático es la práctica que consiste en ayudar a un software a realizar una tarea sin programación ni reglas específicas. En la programación informática tradicional, un programador especifica las reglas que la computadora debe usar. Sin embargo, el AA implica otra forma de pensar. El AA del mundo real se centra mucho más en el análisis de datos que en la programación. Los programadores proporcionan una serie de ejemplos a la computadora, y esta aprende patrones a partir de los datos. Puedes considerar el aprendizaje automático como una "programación con datos".
Pasos para resolver un problema de AA
El proceso de obtener respuestas de los datos mediante el AA consta de varios pasos. Para obtener una descripción detallada, consulta esta guía, que muestra el flujo de trabajo completo para la clasificación de texto y describe pasos importantes, como la recopilación de un conjunto de datos, y el entrenamiento y la evaluación de un modelo con TensorFlow.
Anatomía de una red neuronal
Una red neuronal es un tipo de modelo que se puede entrenar para que reconozca patrones. Está compuesta por capas, que incluyen capas de entrada y de salida, y, por lo menos, una capa oculta. Las neuronas de cada capa aprenden representaciones cada vez más abstractas de los datos. Por ejemplo, en este diagrama visual, vemos que las neuronas detectan líneas, formas y texturas. Estas representaciones (o atributos aprendidos) hacen posible que se clasifiquen los datos.
Entrenamiento de una red neuronal
Las redes neuronales se entrenan con descenso de gradientes. Los pesos de cada capa comienzan con valores aleatorios, y estos van mejorando de forma iterativa a lo largo del tiempo para hacer que la red se vuelva más exacta. Se usa una función de pérdida para cuantificar el grado de inexactitud de la red y un procedimiento llamado propagación inversa para determinar si se debe aumentar o reducir cada peso a fin de disminuir la pérdida.
Nuestra comunidad
La comunidad de TensorFlow es un grupo activo de desarrolladores, investigadores, visionarios, y personas ingeniosas y resolutivas. La puerta está siempre abierta para que contribuyas, colabores y compartas tus ideas.