TensorFlow
Visão Geral
TensorFlow é uma plataforma open-source de machine learning desenvolvida pelo Google. É uma das bibliotecas mais populares para deep learning e redes neurais, oferecendo ferramentas flexíveis para pesquisa e produção.
Com suporte para múltiplas linguagens e plataformas, TensorFlow permite desde prototipagem rápida até deployment em escala empresarial, incluindo dispositivos móveis e edge.
Principais Características
- Keras Integration: API de alto nível integrada
- Eager Execution: Execução imediata para debugging
- TensorBoard: Visualização de modelos e métricas
- Distributed Training: Treinamento distribuído
- TensorFlow Serving: Deployment em produção
- TensorFlow Lite: Modelos para mobile/IoT
- TensorFlow.js: ML no navegador
- AutoML: Automated machine learning
Casos de Uso
Computer Vision
Classificação de imagens, detecção de objetos, reconhecimento facial
NLP
Processamento de linguagem natural, chatbots, tradução
Time Series
Previsão de séries temporais, análise de tendências
Recommendation
Sistemas de recomendação, personalização
Exemplo Prático
Exemplo básico de classificação com TensorFlow/Keras:
import tensorflow as tf
from tensorflow import keras
import numpy as np
# Carregar dados
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# Normalizar dados
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
# Criar modelo
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(10, activation='softmax')
])
# Compilar modelo
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Treinar modelo
model.fit(x_train, y_train, epochs=5, validation_split=0.1)
# Avaliar modelo
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0)
print(f'Acurácia no teste: {test_acc:.4f}')