Bibliotecas y extensiones

Algoritmos de vanguardia para entrenamiento, deriva e interpretación de modelos que usan bosques de decisión para clasificación y regresión.

Biblioteca para el aprendizaje automático reutilizable. Descarga y reutiliza los modelos entrenados más recientes con una mínima cantidad de código.

El kit de herramientas de optimización de modelos de TensorFlow es un conjunto de herramientas para optimizar los modelos de AA para su implementación y ejecución.

Biblioteca para compilar modelos de sistemas de recomendación.

Biblioteca para soluciones de AA flexibles, interpretables y controladas con limitaciones de forma basadas en el sentido común.

Biblioteca de funcionalidades para trabajo con gráficos por computadora que incluyen desde cámaras, luces y materiales hasta herramientas de renderización.

Framework de código abierto para el aprendizaje automático y otros cálculos sobre datos descentralizados.

TensorFlow Probability es una biblioteca de razonamiento probabilístico y análisis estadístico.

Tensor2Tensor es una biblioteca de modelos de aprendizaje profundo y conjuntos de datos que se diseñó para que el aprendizaje profundo sea más accesible y para impulsar la investigación sobre el AA.

Biblioteca de Python que incluye implementaciones de optimizadores de TensorFlow para entrenar modelos de aprendizaje automático con privacidad diferencial.

Biblioteca para el aprendizaje por refuerzo en TensorFlow.

Framework de investigación para crear rápidamente prototipos de algoritmos de aprendizaje por refuerzo.

TRFL (se pronuncia "trafl") es una biblioteca para los componentes básicos del aprendizaje por refuerzo creada por DeepMind.

Lenguaje para el aprendizaje profundo distribuido, que es capaz de especificar una amplia clase de cálculos de tensor distribuidos.

Ayuda a que sea más fácil almacenar y manipular datos que no tienen una forma uniforme, como texto (palabras, oraciones, caracteres) y lotes de longitud variable.

Permiten que se trabaje con texto Unicode directamente en TensorFlow.

TensorFlow Ranking es una biblioteca con técnicas para aprender a clasificar (LTR) que se encuentra en la plataforma de TensorFlow.

Magenta es un proyecto de investigación que explora la función del aprendizaje automático en el proceso de crear arte y música.

Nucleus es una biblioteca de código de Python y C++ que se diseñó para facilitar la lectura, escritura y análisis de los datos en formatos de archivo genómicos comunes como SAM y VCF.

Biblioteca de DeepMind para construir redes neuronales.

Framework de aprendizaje para entrenar las redes neuronales mediante el uso de señales estructuradas, además de entradas de atributos.

Funcionalidad adicional para TensorFlow, mantenida por los complementos de SIG.

Extensiones de conjuntos de datos, transmisiones y sistemas de archivos, mantenidas por SIG IO.

TensorFlow Quantum es una biblioteca de aprendizaje automático cuántico para realizar un prototipado rápido de modelos híbridos de AA cuánticos y clásicos.

Optimiza y genera tarjetas de modelos, que son documentos de aprendizaje automático que brindan contexto y transparencia en el desarrollo y el funcionamiento de un modelo.

Biblioteca que facilita la creación y el entrenamiento de modelos de manera que se reduzca o elimine la posibilidad de perjudicar al usuario como consecuencia de los sesgos de rendimiento subyacentes.

Biblioteca que facilita el procesamiento de las métricas de equidad que se identifican comúnmente con relación a clasificadores binarios y multiclase.

TensorFlow Cloud es una biblioteca para conectar tu entorno local a Google Cloud.

Colección de clases y operaciones relacionadas con textos y PLN listas para usar con TensorFlow 2.

Una biblioteca para analizar datos de entrenamiento y deriva y, de esa forma, calcular estadísticas descriptivas, inferir esquemas y detectar anomalías.

Una biblioteca para registrar y recuperar metadatos de operaciones de AA asociados con flujos de trabajo de aprendizaje automático.

Una biblioteca para el análisis profundo de los resultados del modelo más allá de las métricas de entrenamiento simples, capaz de medir los sesgos, y los casos extremos y perimetrales.

Un sistema de deriva flexible y de alto rendimiento para modelos de aprendizaje automático, diseñado para entornos de producción

Una biblioteca para la ingeniería de atributos a gran escala y la eliminación de sesgos durante el entrenamiento y la deriva.

Una biblioteca con aceleración de hardware para el entrenamiento y la implementación de modelos de AA con JavaScript o Node.js.

Una plataforma de extremo a extremo para implementar canalizaciones de producción de AA.

Una colección de proyectos comunitarios para crear nuevos componentes, ejemplos, bibliotecas y herramientas para TFX.