TensorFlow

O TensorFlow acompanha um time de dados do experimento até o modelo de machine learning em produção. O README descreve uma plataforma de ponta a ponta, com bibliotecas e ferramentas para pesquisadores e desenvolvedores. As APIs estáveis são as de Python e C++; as de outras linguagens existem, mas sem garantia de compatibilidade entre versões.

Para que serve

• Treinar redes neurais em Python e carregar o mesmo modelo depois num programa em C++.
• Usar uma GPU NVIDIA com CUDA no Ubuntu ou no Windows já no pacote padrão.
• Fazer experimentos só na CPU com o pacote enxuto tensorflow-cpu.
• Levar modelos para celulares Android pelo LiteRT, que aparece na tabela oficial de builds.
• Acelerar o treino no Mac pelo plugin Metal ou no Windows pelo plugin DirectX.

Como começar

A instalação padrão sai do pip:

pip install tensorflow

Sem placa de vídeo, troque o pacote por tensorflow-cpu. O guia oficial também cobre Docker e compilação a partir do código. Para conferir se deu certo, o README sugere abrir o Python no terminal e somar dois números:

>>> import tensorflow as tf
>>> tf.add(1, 2).numpy()
3

Para testar recursos antes do lançamento, existem as builds noturnas tf-nightly e tf-nightly-cpu.

Licença e custo

A licença de todo o repositório é a Apache 2.0. Embutir o TensorFlow num produto vendido é permitido, com duas obrigações: manter os avisos de copyright e marcar os arquivos que mudou. A biblioteca é gratuita. O gasto aparece no hardware, seja uma GPU na mesa, seja uma máquina alugada na nuvem para treinar.

Quando vale a pena

Treinar um modelo próprio e depois publicá-lo em servidor ou celular sem trocar de biblioteca no meio do caminho é onde o TensorFlow rende. Para quem só quer chamar um modelo de linguagem pronto, a curva é longa demais; uma API ou a biblioteca Transformers dão conta com menos código. Python é pré-requisito, e a base está em Python: o que é e por que virou a linguagem dos dados. Para o mesmo tipo de trabalho, o concorrente mais conhecido é o PyTorch.