07. TensorFlow e Keras

TensorFlow oferece operações com tensores e diferenciação automática; Keras organiza a construção e o treinamento de modelos em uma API de alto nível. Compreender essas responsabilidades permite usar o fluxo padrão e criar loops específicos sem perder correção na avaliação.

Com o fluxo analítico completo em mente, estudamos linguagens, bibliotecas, motores distribuídos e produtos corporativos. O objetivo é compreender o papel de cada ferramenta dentro de uma arquitetura. Este é o capítulo 7 de 19 da disciplina Plataformas e Ferramentas Analíticas. Ele retoma PyTorch e utiliza essa base para avançar. Na sequência, estudaremos Bancos de dados distribuídos.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use TensorFlow e Keras para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Camadas, grafos e APIs

Começamos por Camadas, grafos e APIs, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Keras não é um algoritmo de classificação: é uma API para construir e utilizar modelos de diferentes tarefas. Keras 3 oferece múltiplos backends, incluindo TensorFlow, JAX e PyTorch, com condições de compatibilidade. TensorFlow é uma plataforma de computação e aprendizagem que pode servir de backend, mas seus nomes não são sinônimos.

Sequential é apropriado a uma sequência linear simples de camadas. A API funcional conecta tensores simbólicos e permite ramificações, múltiplas entradas e saídas e compartilhamento de camadas. Subclassificação oferece controle da lógica. Escolha a forma de construção pela estrutura do problema e necessidade de serialização, sem forçar um grafo complexo em uma pilha inadequada.

Diferenciação automática e passo de treino

Depois de compreender Camadas, grafos e APIs, passamos a Diferenciação automática e passo de treino. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Autodiff aplica a regra da cadeia às operações registradas, utilizando suas regras de derivação; não calcula sempre diferenças finitas por pequenas perturbações da entrada. GradientTape registra operações e permite obter gradientes da perda em relação às variáveis observadas. O otimizador aplica a atualização: a fita não escolhe sozinha taxa de aprendizagem nem modifica os pesos apenas por existir.

Um loop usual executa previsão, perda, cálculo de gradientes e atualização. A transformação forward ou call não deve obrigatoriamente atualizar parâmetros, pois também é usada para inferência. No TensorFlow, gradient retorna gradientes que são aplicados explicitamente; no PyTorch, backward acumula em buffers e costuma exigir zero_grad. Não importe uma regra de zeragem entre frameworks sem considerar a API.