TensorFlow é uma plataforma de código aberto ponta a ponta para aprendizado de máquina. Possui um ecossistema abrangente e flexível de ferramentas, bibliotecas e recursos da comunidade que permite aos pesquisadores promover o que há de mais moderno em ML e aos desenvolvedores criar e implantar facilmente aplicativos baseados em ML.
O TensorFlow foi originalmente desenvolvido por pesquisadores e engenheiros que trabalham na equipe de Machine Intelligence do Google Brain para conduzir pesquisas em aprendizado de máquina e redes neurais. No entanto, a estrutura é versátil o suficiente para ser usada também em outras áreas.
O TensorFlow fornece APIs Python e C++ estáveis, bem como uma API compatível com versões anteriores não garantida para outras linguagens.
Mantenha-se atualizado com anúncios de lançamento e atualizações de segurança inscrevendo-se em [email protected]. Veja todas as listas de discussão.
Consulte o guia de instalação do TensorFlow para o pacote pip, para ativar o suporte de GPU, usar um contêiner Docker e criar a partir da fonte.
Para instalar a versão atual, que inclui suporte para placas GPU habilitadas para CUDA (Ubuntu e Windows) :
$ pip install tensorflow
Outros dispositivos (DirectX e MacOS-metal) são suportados usando plug-ins de dispositivos.
Um pacote menor somente de CPU também está disponível:
$ pip install tensorflow-cpu
Para atualizar o TensorFlow para a versão mais recente, adicione o sinalizador --upgrade
aos comandos acima.
Binários noturnos estão disponíveis para teste usando os pacotes tf-nightly e tf-nightly-cpu no PyPi.
$ píton
>>> importar tensorflow como tf >>> tf.add(1, 2).numpy()3 >>> hello = tf.constant('Hello, TensorFlow!')>>> hello.numpy()b'Hello , TensorFlow!'
Para ver mais exemplos, consulte os tutoriais do TensorFlow.
Se você quiser contribuir com o TensorFlow, revise as diretrizes de contribuição. Este projeto segue o código de conduta do TensorFlow. Ao participar, espera-se que você cumpra este código.
Usamos problemas do GitHub para rastrear solicitações e bugs. Consulte o Fórum do TensorFlow para perguntas gerais e discussões e direcione perguntas específicas para Stack Overflow.
O projeto TensorFlow se esforça para seguir as práticas recomendadas geralmente aceitas no desenvolvimento de software de código aberto.
Siga estas etapas para corrigir uma versão específica do TensorFlow, por exemplo, para aplicar correções a bugs ou vulnerabilidades de segurança:
Clone o repositório do TensorFlow e mude para a ramificação correspondente à versão desejada do TensorFlow, por exemplo, ramificação r2.8
para a versão 2.8.
Aplique (ou seja, escolha a dedo) as alterações desejadas e resolva quaisquer conflitos de código.
Execute testes do TensorFlow e garanta que eles sejam aprovados.
Crie o pacote pip do TensorFlow a partir da origem.
Você pode encontrar mais plataformas e configurações com suporte da comunidade na tabela de compilações da comunidade do TensorFlow SIG Build.
Tipo de construção | Status | Artefatos |
---|---|---|
CPU Linux | PyPI | |
GPU Linux | PyPI | |
Linux XLA | A definir | |
macOS | PyPI | |
CPU do Windows | PyPI | |
GPU do Windows | PyPI | |
Android | Download | |
Framboesa Pi 0 e 1 | Py3 | |
Framboesa Pi 2 e 3 | Py3 | |
CPU Libtensorflow MacOS | Status temporariamente indisponível | GCS oficial binário noturno |
CPU Libtensorflow Linux | Status temporariamente indisponível | GCS oficial binário noturno |
GPU Libtensorflow Linux | Status temporariamente indisponível | GCS oficial binário noturno |
CPU do Windows Libtensorflow | Status temporariamente indisponível | GCS oficial binário noturno |
GPU Libtensorflow para Windows | Status temporariamente indisponível | GCS oficial binário noturno |
TensorFlow.org
Tutoriais do TensorFlow
Modelos oficiais do TensorFlow
Exemplos do TensorFlow
Codelabs do TensorFlow
Blog do TensorFlow
Aprenda ML com o TensorFlow
Twitter do TensorFlow
TensorFlow YouTube
Roteiro de otimização do modelo TensorFlow
Artigos técnicos do TensorFlow
Kit de ferramentas de visualização do TensorBoard
Pesquisa de código do TensorFlow
Saiba mais sobre a comunidade TensorFlow e como contribuir.
Curso
Udacidade
Edx
Licença Apache 2.0