1. TensorFlow: Exemplo Prático de Reconhecimento de Imagens
Vamos colocar a mão na massa? Se você quer entender como o TensorFlow funciona na prática, nada melhor que um exemplo simples de classificação de imagens.
O Problema: Ensinar o Computador a Reconhecer Roupas
Imagine que você quer criar um sistema que olhe para uma peça de roupa e diga se é um tênis, camiseta ou vestido. Parece complicado? Com o TensorFlow, é mais fácil do que parece!
Passo a Passo: Criando um Modelo com TensorFlow
1. Instalando o TensorFlow
Primeiro, abra seu Python (pode ser no Jupyter Notebook, Google Colab ou qualquer IDE) e instale:
!pip install tensorflow
2. Carregando o Conjunto de Dados
O TensorFlow já vem com bancos de dados para treino. Vamos usar o Fashion MNIST, que tem 70.000 imagens de roupas em preto e branco.
import tensorflow as tf from tensorflow import keras # Carrega os dados dados = keras.datasets.fashion_mnist (imagens_treino, labels_treino), (imagens_teste, labels_teste) = dados.load_data()
3. Pré-Processamento das Imagens
As imagens são matrizes de 28x28 pixels com valores entre 0 e 255. Vamos normalizar para facilitar o treino:
imagens_treino = imagens_treino / 255.0 imagens_teste = imagens_teste / 255.0
4. Criando a Rede Neural
Agora, a parte mágica: definir a estrutura do modelo.
modelo = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), # Transforma a imagem em uma linha de pixels keras.layers.Dense(128, activation='relu'), # Camada oculta com 128 neurônios keras.layers.Dense(10, activation='softmax') # Camada de saída (10 tipos de roupa) ])
5. Compilando e Treinando
Configuramos o modelo e treinamos com os dados:
modelo.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) modelo.fit(imagens_treino, labels_treino, epochs=5) # "Epochs" = número de passagens pelos dados
6. Testando o Modelo
Agora, vamos ver se ele aprendeu de verdade:
teste_loss, teste_acc = modelo.evaluate(imagens_teste, labels_teste) print(f'Acurácia no teste: {teste_acc:.2f}')
Saída Esperada:
Acurácia no teste: 0.87 # (87% de acerto – ótimo para um primeiro modelo!)
7. Fazendo uma Previsão
Finalmente, teste com uma imagem nova:
import numpy as np # Escolhe uma imagem do conjunto de teste img = imagens_teste[0] predicao = modelo.predict(np.array([img])) # Modelo prevê a classe classe_prevista = np.argmax(predicao) print(f"O modelo acha que é: {classe_prevista}") # Compara com labels_teste[0]
O Que Aprendemos?
Em poucas linhas, criamos um sistema de reconhecimento de roupas.
O TensorFlow cuida da matemática complexa (backpropagation, gradientes, etc.).
Esse mesmo princípio serve para diagnósticos médicos, carros autônomos e muito mais.
Dica: No Google Colab, você pode rodar isso de graça, mesmo sem GPU potente. Que tal testar agora?
Próxima Biblioteca: Quer ver um exemplo com PyTorch? É ainda mais intuitivo para experimentos rápidos!
