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, visita los instructivos para obtener más información.
Consulta nuestra página educativa para aprender sobre el AA. Comienza con planes de estudios seleccionados para mejorar tus habilidades en las áreas básicas 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.
Genera imágenes basadas en una indicación de texto con la implementación de KerasCV del modelo Stable Diffusion de stability.ai.
Procesa previamente los archivos WAV y entrena un modelo básico de reconocimiento de voz automático.
Noticias y anuncios
Visita nuestro blog para encontrar actualizaciones adicionales y suscríbete a nuestro boletín informativo de TensorFlow para recibir los anuncios más recientes directamente en tu bandeja de entrada.
Participación de la comunidad
Descubre más formas de participar en la comunidad de TensorFlow.