Curso de TensorFlow online para iniciantes

O TensorFlow (TF) é um dos frameworks mais utilizados no mundo em aplicações de deep learning e computação numérica. Nesse curso abaixo, você vai aprender a utilizar o TensorFlow e compreender como funciona sua estrutura em 8 aulas super práticas.

Pré-requisitos para esse curso

É extremamente recomendável que, antes de iniciar esse curso, o aluno tenha conhecimentos em Python, sabendo utilizar módulos, pacotes e funções, principalmente tendo algum conhecimento sobre o pacote Numpy.

Temos dois cursos gratuitos que irão suprir essa carência caso você precise: Python para iniciantes e Python para machine learning e análise de dados.

Se você está interessado em utilizar TensorFlow para inteligência artificial, nosso curso de Redes Neurais, Deep Learning e Visão computacional é ideal para isso, pois colocamos todos esses conhecimentos na prática resolvendo problemas reais com TensorFlow e Keras. Confira:

Curso Redes Neurais, Deep Learning e Visão Computacional

Este curso gratuito tem certificado?

Sim, no final desta página você pode solicitar um certificado de conclusão.

Organização do curso:

Preparamos 8 aulas online super práticas para você sair do zero e se sentir confortável com o TensorFlow. 

Inicialmente você vai aprender o que é e para que serve o TensorFlow, e depois irá aprender comandos e recursos muito úteis para computação numérica e inteligência artificial.

Você vai ver o que TensorFlow não é muito diferente do Numpy.

Ao final deste curso, você estará apto não apenas para colocar a mão na massa com redes neurais e IA, mas também saberá acompanhar a evolução dos algoritmos por meio do TensorBoard.

Então, sem mais delongas, vamos começar!

Aula 1: O que é TensorFlow e como instalar

Objetivos: aprender o que é um framework, o que é TensorFlow e como instalar essa biblioteca de código em ambientes Windows, Linux e MAC. Obs: atualmente o TensorFlow está na versão 2.0, nesse curso utilizamos a versão 1.14, que é a mais popular até o momento:

Aula 2: Primeiros comandos no TensorFlow

Objetivos: aprender como imprimir na tela a frase “Olá, mundo!”, compreender o conceito de sessão tf.Session() e o conceito de rodar o código dentro de uma sessão tf.Session().run(). Nessa aula, ficará claro uma das maiores diferenças entre TensorFlow e Python:

Aula 3: Introdução a Grafos

Objetivos: entender o que é um grafo computacional e como criar grafos no TensorFlow.

Aula 4: O que são tensores

Objetivos: trabalhar um pouco mais com tensores compreendendo a diferença entre tensores e grafos na prática. Nessa aula, faremos uma comparação direta com os arrays do pacote Numpy para facilitar o entendimento.

Aula 5: Multiplicando matrizes no TensorFlow

Objetivos: revisar o conceito de multiplicação de matrizes e ver como é possível multiplicar matrizes com comandos simples no TF. Essa aula é muito importante para quem quer trabalhar com redes neurais, pois em treinamentos de deep learning, muitas multiplicações entre matrizes são feitas.

Aula 6: Variáveis no TensorFlow

Objetivos: aprender como criar variáveis no TensorFlow com o comando tf.Variable() e entender a importância de se inicializar as variáveis com o comando tf.global_variables_initializer()

Aula 7: O que são placeholders e como usar

Objetivos: compreender o que são placeholders e como utilizar na prática. Essa aula é muito importante no mundo das redes neurais e do deep learning, e é um dos tópicos mais difíceis do iniciante dominar. Por isso, recomendamos que preste bastante atenção nos detalhes e assista essa aula mais de uma vez se necessário:

Estamos disponibilizando abaixo o código completo utilizado nessa aula:

import tensorflow as tf
import numpy as np

dados_x = np.random.randn(4,8)   # cria matriz de 4 linhas e 8 colunas com números aleatórios
dados_w = np.random.randn(8,2)   # cria matriz de 8 linhas e 2 colunas com números aleatórios

b = tf.random_normal((4,2),0,1)   # cria matriz (tensor) de 4 linhas e 2 colunas com números aleatórios

x = tf.placeholder(tf.float32, shape=(4, 8))
w = tf.placeholder(tf.float32, shape=(8, 2))
operacao = tf.matmul(x, w) + b

maximo = tf.reduce_max(operacao) # encontra o maior valor da matriz operacao

with tf.Session() as sess:
        saida1 = sess.run(operacao, feed_dict={x: dados_x, w: dados_w})
        saida2 = sess.run(maximo, feed_dict={x: dados_x, w: dados_w})

print(saida2)

import numpy as np

x1 = np.random.randn(4,8)  
w1 = np.random.randn(8,2)

x2 = np.random.randn(4,8)  
w2 = np.random.randn(8,2)

x3 = np.random.randn(10,3)  
w3 = np.random.randn(3,1)

x4 = np.random.randn(4,8)  
w4 = np.random.randn(8,2)

x5 = np.random.randn(4,8)  
w5 = np.random.randn(8,2)

lista_x = [x1, x2, x3, x4, x5]
lista_w = [w1, w2, w3, w4, w5]
lista_saida = []

b = tf.random_normal((4,2),0,1)   # cria matriz (tensor) de 4 linhas e 2 colunas com números aleatórios

x = tf.placeholder(tf.float32, shape=(None, None))
w = tf.placeholder(tf.float32, shape=(None, None))
operacao = tf.matmul(x, w)

maximo = tf.reduce_max(operacao) # encontra o maior valor da matriz operacao

with tf.Session() as sess:
    for i in range(5):
        saida = sess.run(maximo, feed_dict={x: lista_x[i], w: lista_w[i]})
        lista_saida.append(saida)
print(lista_saida)

Aula 8: Introdução ao TensorBoard

Objetivos: aprender a utilizar uma excelente ferramenta gráfica para visualizar os resultados de sessões construídas no TensorFlow. Você vai aprender nessa aula a abrir seu LocalHost por meio do prompt de comando para usufruir do TensorBoard, passo-a-passo com bastante didática.

Para mais informações sobre a documentação oficial, acesse o site tensorflow.org.

Para utilizar o TensorFlow em GPU NVIDIA, você precisará do NVIDIA toolkit instalado.

Como continuar aprendendo sobre TensorFlow

Agora que você já possui uma base de TensorFlow, irá deslanchar muito rapidamente em nosso curso completo de redes neurais, deep learning e visão computacional. 

Este curso completo corresponde ao nosso módulo 3 de machine learning. Não deixe de conferir, pois é muito difícil encontrar um material tão didático e eficiente.

Confira também nossa lista completa de cursos:

Cursos diferenciados pela didática (100% de aprendizado)

Outros artigos que você pode se interessar:

cursos