Lançamento do TensorFlow

["TensorFlow \u00e9 uma biblioteca de software para aprendizado de m\u00e1quina e intelig\u00eancia artificial, usada principalmente para treinamento e infer\u00eancia de redes neurais. \u00c9 um dos frameworks de aprendizado profundo mais populares, ao lado de outros como PyTorch. Lan\u00e7ado como software livre e de c\u00f3digo aberto sob a Licen\u00e7a Apache 2.0, o TensorFlow foi desenvolvido pela equipe Google Brain para pesquisa interna e uso em produ\u00e7\u00e3o do Google. A vers\u00e3o inicial foi lan\u00e7ada em 2015, com uma vers\u00e3o atualizada, TensorFlow 2.0, em setembro de 2019. O TensorFlow suporta uma ampla variedade de linguagens de programa\u00e7\u00e3o, incluindo Python, JavaScript, C++ e Java, facilitando seu uso em muitos setores.\n\n## Hist\u00f3ria\n\n### DistBelief\nA partir de 2011, o Google Brain construiu o DistBelief como um sistema propriet\u00e1rio de aprendizado de m\u00e1quina baseado em redes neurais de aprendizado profundo. Seu uso cresceu rapidamente em diversas empresas da Alphabet, tanto em aplica\u00e7\u00f5es de pesquisa quanto comerciais. O Google designou v\u00e1rios cientistas da computa\u00e7\u00e3o, incluindo Jeff Dean, para simplificar e refatorar o c\u00f3digo do DistBelief em uma biblioteca de n\u00edvel de produ\u00e7\u00e3o mais r\u00e1pida e robusta, que se tornou o TensorFlow. Em 2009, a equipe, liderada por Geoffrey Hinton, havia implementado retropropaga\u00e7\u00e3o generalizada e outras melhorias, que permitiram a gera\u00e7\u00e3o de redes neurais com precis\u00e3o substancialmente maior, por exemplo, uma redu\u00e7\u00e3o de 25% nos erros em reconhecimento de fala.\n\n### TensorFlow\nO TensorFlow \u00e9 o sistema de segunda gera\u00e7\u00e3o do Google Brain. A vers\u00e3o 1.0.0 foi lan\u00e7ada em 11 de fevereiro de 2017. Embora a implementa\u00e7\u00e3o de refer\u00eancia execute em dispositivos \u00fanicos, o TensorFlow pode rodar em m\u00faltiplas CPUs e GPUs (com extens\u00f5es opcionais CUDA e SYCL para computa\u00e7\u00e3o de prop\u00f3sito geral em unidades de processamento gr\u00e1fico). O TensorFlow est\u00e1 dispon\u00edvel em Linux de 64 bits, macOS, Windows e plataformas de computa\u00e7\u00e3o m\u00f3vel, incluindo Android e iOS. Sua arquitetura flex\u00edvel permite f\u00e1cil implanta\u00e7\u00e3o de computa\u00e7\u00e3o em uma variedade de plataformas (CPUs, GPUs, TPUs), e de desktops a clusters de servidores, at\u00e9 dispositivos m\u00f3veis e de borda.\nAs computa\u00e7\u00f5es do TensorFlow s\u00e3o expressas como grafos de fluxo de dados com estado. O nome TensorFlow deriva das opera\u00e7\u00f5es que tais redes neurais realizam em matrizes de dados multidimensionais, que s\u00e3o referidas como tensores. Durante a Confer\u00eancia Google I/O em junho de 2016, Jeff Dean afirmou que 1.500 reposit\u00f3rios no GitHub mencionavam o TensorFlow, dos quais apenas 5 eram do Google.\nEm mar\u00e7o de 2018, o Google anunciou o TensorFlow.js vers\u00e3o 1.0 para aprendizado de m\u00e1quina em JavaScript. Em janeiro de 2019, o Google anunciou o TensorFlow 2.0, que se tornou oficialmente dispon\u00edvel em setembro de 2019. Em maio de 2019, o Google anunciou o TensorFlow Graphics para aprendizado profundo em computa\u00e7\u00e3o gr\u00e1fica.\n\n### Unidade de Processamento Tensor (TPU)\nEm maio de 2016, o Google anunciou sua unidade de processamento tensor (TPU), um circuito integrado de aplica\u00e7\u00e3o espec\u00edfica (ASIC) constru\u00eddo especificamente para aprendizado de m\u00e1quina e adaptado para o TensorFlow. Uma TPU \u00e9 um acelerador de IA program\u00e1vel projetado para fornecer alta taxa de transfer\u00eancia de aritm\u00e9tica de baixa precis\u00e3o (por exemplo, 8 bits), e orientado para usar ou executar modelos em vez de trein\u00e1-los. O Google anunciou que vinha executando TPUs dentro de seus data centers por mais de um ano e descobriu que elas entregavam uma ordem de magnitude melhor de desempenho otimizado por watt para aprendizado de m\u00e1quina.\nEm maio de 2017, o Google anunciou as TPUs de segunda gera\u00e7\u00e3o, bem como sua disponibilidade no Google Compute Engine. As TPUs de segunda gera\u00e7\u00e3o entregam at\u00e9 180 teraflops de desempenho e, quando organizadas em clusters de 64 TPUs, fornecem at\u00e9 11,5 petaflops. Em maio de 2018, o Google anunciou as TPUs de terceira gera\u00e7\u00e3o, entregando at\u00e9 420 teraflops de desempenho e 128 GB de mem\u00f3ria de alta largura de banda (HBM). Os Cloud TPU v3 Pods oferecem mais de 100 petaflops de desempenho e 32 TB de HBM. Em fevereiro de 2018, o Google anunciou que estava disponibilizando TPUs em beta na Google Cloud Platform.\n\n### Edge TPU\nEm julho de 2018, a Edge TPU foi anunciada. A Edge TPU \u00e9 o chip ASIC de prop\u00f3sito espec\u00edfico do Google, projetado para executar modelos de aprendizado de m\u00e1quina (ML) do TensorFlow Lite em pequenos dispositivos de computa\u00e7\u00e3o cliente, como smartphones, conhecidos como computa\u00e7\u00e3o de borda.\n\n### TensorFlow Lite\nEm maio de 2017, o Google anunciou o TensorFlow Lite como uma pilha de software para suportar modelos de aprendizado de m\u00e1quina para dispositivos m\u00f3veis e embarcados, e em novembro de 2017, forneceu a pr\u00e9via para desenvolvedores. Em janeiro de 2019, a equipe do TensorFlow lan\u00e7ou uma pr\u00e9via para desenvolvedores do mecanismo de infer\u00eancia de GPU m\u00f3vel com OpenGL ES 3.1 Compute Shaders em dispositivos Android e Metal Compute Shaders em dispositivos iOS. Em maio de 2019, o Google anunciou que o TensorFlow Lite Micro (tamb\u00e9m conhecido como TensorFlow Lite para Microcontroladores) e o uTensor da ARM seriam fundidos. Foi renomeado como LiteRT em 2024.\n\n### TensorFlow 2.0\n\u00c0 medida que a participa\u00e7\u00e3o de mercado do TensorFlow entre artigos de pesquisa declinava em favor do PyTorch, a equipe do TensorFlow anunciou o lan\u00e7amento de uma nova vers\u00e3o principal da biblioteca em setembro de 2019. O TensorFlow 2.0 introduziu muitas mudan\u00e7as, sendo a mais significativa o TensorFlow eager, que mudou o esquema de diferencia\u00e7\u00e3o autom\u00e1tica do grafo computacional est\u00e1tico para o esquema \"Define-by-Run\", originalmente popularizado pelo Chainer e posteriormente pelo PyTorch. Outras mudan\u00e7as importantes inclu\u00edram a remo\u00e7\u00e3o de bibliotecas antigas, compatibilidade cruzada entre modelos treinados em diferentes vers\u00f5es do TensorFlow e melhorias significativas no desempenho em GPU.\n\n## Recursos\n\n### Diferencia\u00e7\u00e3o Autom\u00e1tica\nA diferencia\u00e7\u00e3o autom\u00e1tica \u00e9 o processo de calcular automaticamente o vetor de gradiente de um modelo em rela\u00e7\u00e3o a cada um de seus par\u00e2metros. Com esse recurso, o TensorFlow pode calcular automaticamente os gradientes para os par\u00e2metros em um modelo, o que \u00e9 \u00fatil para algoritmos como retropropaga\u00e7\u00e3o, que exigem gradientes para otimizar o desempenho. Para isso, o framework deve rastrear a ordem das opera\u00e7\u00f5es feitas nos tensores de entrada em um modelo e, em seguida, calcular os gradientes em rela\u00e7\u00e3o aos par\u00e2metros apropriados.\n\n### Execu\u00e7\u00e3o Eager\nO TensorFlow inclui um modo de \"execu\u00e7\u00e3o eager\", o que significa que as opera\u00e7\u00f5es s\u00e3o avaliadas imediatamente, em vez de serem adicionadas a um grafo computacional que \u00e9 executado posteriormente. O c\u00f3digo executado de forma eager pode ser examinado passo a passo por meio de um depurador, pois os dados s\u00e3o aumentados em cada linha de c\u00f3digo, em vez de mais tarde em um grafo computacional. Esse paradigma de execu\u00e7\u00e3o \u00e9 considerado mais f\u00e1cil de depurar devido \u00e0 sua transpar\u00eancia passo a passo.\n\n### Distribui\u00e7\u00e3o\nTanto na execu\u00e7\u00e3o eager quanto na de grafo, o TensorFlow fornece uma API para distribuir a computa\u00e7\u00e3o entre m\u00faltiplos dispositivos com v\u00e1rias estrat\u00e9gias de distribui\u00e7\u00e3o. Essa computa\u00e7\u00e3o distribu\u00edda pode frequentemente acelerar a execu\u00e7\u00e3o do treinamento e da avalia\u00e7\u00e3o de modelos do TensorFlow e \u00e9 uma pr\u00e1tica comum no campo da IA.\n\n### Fun\u00e7\u00f5es de Perda\nPara treinar e avaliar modelos, o TensorFlow fornece um conjunto de fun\u00e7\u00f5es de perda (tamb\u00e9m conhecidas como fun\u00e7\u00f5es de custo). Alguns exemplos populares incluem erro quadr\u00e1tico m\u00e9dio, entropia cruzada categ\u00f3rica e perda de dobradi\u00e7a. Essas fun\u00e7\u00f5es medem a diferen\u00e7a entre sa\u00eddas previstas e reais, guiando o processo de otimiza\u00e7\u00e3o durante o treinamento.\n\n## Impacto e Ado\u00e7\u00e3o\nO TensorFlow se tornou uma ferramenta fundamental no campo do aprendizado de m\u00e1quina, permitindo que pesquisadores e desenvolvedores construam e implantem modelos de aprendizado profundo em escala. Sua integra\u00e7\u00e3o com o Google Cloud e o suporte para arquiteturas de redes neurais o tornaram uma escolha padr\u00e3o tanto na academia quanto na ind\u00fastria. O lan\u00e7amento do TensorFlow contribuiu para a ado\u00e7\u00e3o mais ampla de tecnologias de intelig\u00eancia artificial, influenciando frameworks e ferramentas subsequentes. Em 2024, o TensorFlow permanece amplamente utilizado, embora enfrente concorr\u00eancia do PyTorch em ambientes de pesquisa. Seu desenvolvimento cont\u00ednuo continua a abordar desafios de desempenho, usabilidade e implanta\u00e7\u00e3o, garantindo sua relev\u00e2ncia no cen\u00e1rio em evolu\u00e7\u00e3o da IA.", true]