Glossário

TensorFlow

Descubra o TensorFlow, a poderosa estrutura de ML de código aberto da Google para inovação em IA. Crie, treine e implemente modelos de redes neurais sem problemas!

O TensorFlow é uma plataforma de código aberto de ponta a ponta para aprendizagem automática (ML). Desenvolvida pela equipa do Google Brain, oferece um ecossistema abrangente e flexível de ferramentas, bibliotecas e recursos da comunidade que permite aos programadores criar e implementar facilmente aplicações de aprendizagem automática. Foi concebida para facilitar tudo, desde a simples criação de modelos até à formação e implementação em grande escala em várias plataformas, incluindo servidores, dispositivos periféricos e navegadores Web.

Principais caraterísticas e conceitos

A arquitetura do TensorFlow é construída em torno de vários princípios fundamentais que o tornam uma ferramenta poderosa para a aprendizagem profunda (DL) e outros cálculos numéricos.

  • Gráficos computacionais: O TensorFlow tradicionalmente usava um gráfico computacional estático para definir operações. Embora as versões modernas utilizem o Eager Execution por predefinição para uma sensação mais intuitiva e pitónica, o modelo baseado em gráficos continua a ser crucial para a otimização e a implementação. Essa estrutura permite que a estrutura compile e otimize os cálculos para uma execução eficiente em hardware como GPUs e TPUs.
  • Tensores: A estrutura de dados fundamental no TensorFlow é o "tensor", uma matriz multidimensional. Todos os dados, desde imagens de entrada até pesos de modelos, são representados como tensores.
  • Escalabilidade: A estrutura é projetada para treinamento e inferência distribuídos em larga escala. Pode ser executado em CPUs individuais, clusters de GPUs ou aceleradores de hardware especializados, tornando-o adequado para ambientes de pesquisa e produção.
  • Ecossistema abrangente: O TensorFlow é mais do que apenas uma biblioteca. Inclui ferramentas como o TensorBoard para visualizar métricas de treino, o TensorFlow Serving para servir modelos de elevado desempenho e o TensorFlow Lite para implementar modelos em dispositivos móveis e incorporados.

Tensorflow vs. outras estruturas

O TensorFlow é uma das estruturas de aprendizagem profunda mais populares, mas coexiste com outras como o PyTorch e o Keras.

  • TensorFlow vs. PyTorch: Esta é a comparação mais comum na comunidade de ML. Enquanto o TensorFlow, com suas ferramentas robustas para implantação e produção de modelos, tem sido historicamente preferido para aplicações industriais, o PyTorch é frequentemente elogiado por sua simplicidade e facilidade de uso na pesquisa. No entanto, com a introdução do Eager Execution, o TensorFlow tornou-se muito mais fácil de utilizar, diminuindo a diferença. A escolha resume-se frequentemente à familiaridade com o ecossistema e aos requisitos específicos do projeto.
  • TensorFlow e Keras: O Keras é um programa de alto nível redes neuronais API que é agora a API oficial de alto nível para o TensorFlow. Ela fornece uma interface mais simples e intuitiva para a criação de modelos, abstraindo grande parte da complexidade subjacente. Para a maioria dos desenvolvedores, construir modelos no TensorFlow significa usar a API tf.keras API.

Aplicações e exemplos

O TensorFlow é versátil e utilizado em muitos domínios:

Integração do Ultralytics

O Ultralytics proporciona uma integração perfeita com o TensorFlow, permitindo aos utilizadores tirar partido dos pontos fortes de ambas as plataformas. Pode exportar facilmente os modelos YOLO do Ultralytics para vários formatos do TensorFlow:

Esta flexibilidade permite que os utilizadores que treinam modelos como o Ultralytics YOLOv8 ou YOLO11 no ecossistema Ultralytics, talvez geridos através do Ultralytics HUB, os implementem de forma eficiente na vasta gama de plataformas suportadas pelo TensorFlow. Pode encontrar documentação detalhada sobre as integrações do Ultralytics aqui.

Junte-se à comunidade Ultralytics

Junte-se ao futuro da IA. Ligue-se, colabore e cresça com inovadores globais

Aderir agora
Ligação copiada para a área de transferência