AI & GPU
Como Escolher Facilmente a Melhor GPU para Cargas de Trabalho em IA

Como Escolher Facilmente a Melhor GPU para Cargas de Trabalho em IA

I. Introdução às GPUs para IA

A. Importância das GPUs em Aprendizado Profundo

As Unidades de Processamento Gráfico (GPUs) se tornaram um componente essencial no campo do Aprendizado Profundo e Inteligência Artificial (IA). A arquitetura altamente paralela das GPUs, originalmente projetada para renderização eficiente de gráficos, tem se mostrado excepcionalmente adequada para as tarefas computacionalmente intensivas envolvidas no Aprendizado Profundo, como operações matriciais, convoluções e outros cálculos baseados em tensores.

Em comparação com as unidades de processamento central (CPUs) tradicionais, as GPUs conseguem executar essas operações de maneira muito mais rápida, resultando em melhorias significativas no treinamento e inferência de modelos de Aprendizado Profundo. Essa aceleração é crucial para o desenvolvimento de modelos complexos, exploração de grandes conjuntos de dados e implantação de sistemas de IA em aplicações em tempo real.

B. Vantagens da GPU em relação à CPU para tarefas de IA/ML

As principais vantagens de utilizar GPUs em vez de CPUs para tarefas de IA e Aprendizado de Máquina (ML) são:

  1. Capacidade de Processamento Paralelo: As GPUs são projetadas com uma arquitetura massivamente paralela, apresentando milhares de núcleos menores e mais eficientes em comparação aos poucos núcleos mais poderosos encontrados nas CPUs. Esse poder de processamento paralelo permite que as GPUs se destaquem em cálculos altamente paralelizáveis necessários no Aprendizado Profundo, como multiplicação de matrizes e convoluções.

  2. Maior Largura de Banda de Memória: As GPUs são equipadas com memória especializada de alta velocidade, conhecida como Memória de Acesso Aleatório de Vídeo (VRAM), que oferece uma largura de banda de memória significativamente maior em comparação à memória de sistema usada pelas CPUs. Esse acesso aprimorado à memória é crucial para a manipulação de grandes volumes de dados e resultados intermediários envolvidos em cargas de trabalho de Aprendizado Profundo.

  3. Aceleração de Operações com Tensores: As GPUs modernas, como os Tensor Cores da NVIDIA e os Matrix Cores da AMD, são projetadas com unidades de hardware especializadas que podem acelerar operações baseadas em tensores, fundamentais para muitos algoritmos de Aprendizado Profundo. Essa otimização em nível de hardware pode proporcionar melhorias significativas no desempenho desses tipos de cálculos.

  4. Eficiência Energética: As GPUs, com sua arquitetura paralela e hardware especializado, frequentemente conseguem obter um desempenho por watt mais alto em comparação às CPUs para tarefas de IA/ML. Isso as torna particularmente adequadas para ambientes com restrições de energia, como dispositivos de borda e sistemas embarcados.

  5. Ecossistema e Suporte de Software: As comunidades de Aprendizado Profundo e IA otimizaram e integraram amplamente a computação acelerada por GPU em seus frameworks e bibliotecas, como TensorFlow, PyTorch e CUDA. Esse ecossistema robusto de software e conjunto de ferramentas melhoram ainda mais as vantagens de utilizar GPUs para essas cargas de trabalho.

Essas vantagens tornaram as GPUs um componente indispensável no campo do Aprendizado Profundo, permitindo que pesquisadores e desenvolvedores treinem modelos maiores e mais complexos, acelerem o desenvolvimento de aplicações de IA e implantem essas aplicações em cenários do mundo real com desempenho e eficiência aprimorados.

II. Compreendendo a Arquitetura da GPU

A. Componentes da GPU e suas Funções

1. Unidade de Processamento Gráfico (GPU)

A GPU é o componente central de uma placa gráfica, responsável pelo processamento paralelo de tarefas gráficas e computacionais. Ela é composta por um grande número de núcleos menores e mais eficientes que podem executar simultaneamente várias threads, permitindo que a GPU se destaque em cálculos altamente paralelos necessários no Aprendizado Profundo.

2. Memória (VRAM)

As GPUs são equipadas com memória dedicada de alta velocidade, conhecida como Memória de Acesso Aleatório de Vídeo (VRAM). Essa memória é otimizada para os requisitos de largura de banda elevada de cargas de trabalho gráficas e computacionais, oferecendo velocidades de acesso significativamente mais rápidas em comparação à memória de sistema usada pelas CPUs.

3. Interface de Barramento (PCI-E)

A interface de barramento, tipicamente um slot Peripheral Component Interconnect Express (PCI-E), conecta a GPU à placa-mãe e ao restante do sistema de computador. O barramento PCI-E permite a transferência de dados em alta velocidade entre a GPU e a CPU, bem como o acesso à memória do sistema.

4. Fonte de alimentação

As GPUs, especialmente os modelos de alto desempenho, exigem uma quantidade significativa de energia para funcionar. A fonte de alimentação, integrada à placa gráfica ou fornecida pela fonte de alimentação do sistema, garante que a GPU e seus componentes associados recebam a alimentação elétrica necessária.

B. Comparação das Arquiteturas de GPU e CPU

1. SIMD (Instrução Única, Dados Múltiplos) vs. MIMD (Instrução Múltipla, Dados Múltiplos)

As CPUs são projetadas com uma arquitetura MIMD (Instrução Múltipla, Dados Múltiplos), em que cada núcleo pode executar instruções diferentes em dados diferentes simultaneamente. Em contraste, as GPUs seguem um modelo SIMD (Instrução Única, Dados Múltiplos), em que uma única instrução é executada em vários elementos de dados em paralelo.

2. Capacidades de processamento paralelo

A arquitetura SIMD das GPUs, com seu grande número de núcleos, permite um processamento paralelo altamente eficiente da mesma instrução em vários elementos de dados. Isso é particularmente benéfico para os tipos de operações comuns no Aprendizado Profundo, como multiplicação de matrizes e convoluções.

3. Acesso e largura de banda de memória

As GPUs são projetadas com foco no acesso à memória de alta largura de banda, sendo que sua VRAM dedicada oferece taxa de transferência de memória significativamente mais rápida em comparação à memória de sistema usada pelas CPUs. Essa arquitetura de memória é crucial para a movimentação de grandes volumes de dados e resultados intermediários em cargas de trabalho de Aprendizado Profundo.

III. Especificações e Métricas de GPUs

A. Potência de Computação

1. FLOPS (Operações de Ponto Flutuante por Segundo)

FLOPS é uma métrica comumente utilizada para medir a potência computacional bruta de uma GPU. Representa o número de operações de ponto flutuante que a GPU pode executar por segundo, o que é um fator importante para o desempenho de modelos de Aprendizado Profundo.

2. Tensor FLOPS (para cargas de trabalho de IA/ML)

Além da métrica padrão FLOPS, as GPUs modernas muitas vezes fornecem uma métrica especializada "Tensor FLOPS", que mensura o desempenho de operações baseadas em tensores, cruciais para cargas de trabalho de IA e ML. Essa métrica reflete a aceleração proporcionada por unidades de hardware especializadas, como os Tensor Cores da NVIDIA e os Matrix Cores da AMD.

B. Memória

1. Capacidade da VRAM

A quantidade de VRAM disponível em uma GPU é uma consideração importante, já que modelos de Aprendizado Profundo podem exigir grandes quantidades de memória para armazenar parâmetros, ativações e resultados intermediários durante o treinamento e inferência.

2. Largura de banda da memória

A largura de banda da memória de uma GPU, medida em GB/s, determina a taxa de transferência de dados para e da VRAM. Esse é um fator crítico para o desempenho de cargas de trabalho de Aprendizado Profundo, que frequentemente envolvem grande quantidade de movimentação de dados.

C. Outras especificações importantes

1. Arquitetura da GPU (por exemplo, NVIDIA Ampere, AMD RDNA)

A arquitetura subjacente da GPU, como a Ampere da NVIDIA ou a RDNA da AMD, pode ter um impacto significativo no desempenho e nas capacidades da GPU para tarefas de IA e ML. Cada arquitetura introduz novos recursos de hardware e otimizações que podem afetar a adequação da GPU para diferentes cargas de trabalho.

2. Núcleos Tensor/Unidades de processamento de tensor (TPUs)

Unidades de hardware especializadas, como os Tensor Cores da NVIDIA e os Matrix Cores da AMD, são projetadas para acelerar operações baseadas em tensores comumente encontradas em algoritmos de Aprendizado Profundo. O número e as capacidades dessas unidades podem influenciar significativamente o desempenho da GPU para tarefas de IA/ML.

3. Consumo de energia e Design Térmico de Potência (TDP)

O consumo de energia e o Design Térmico de Potência (TDP) de uma GPU são fatores importantes, especialmente para aplicações com restrições de energia e refrigeração, como dispositivos de borda ou data centers. GPUs com eficiência energética podem ser cruciais para implantações com orçamentos de energia limitados ou capacidades de resfriamento.

IV. Principais GPUs para IA/Aprendizado Profundo

A. GPUs da NVIDIA

1. Arquitetura NVIDIA Ampere (Série RTX 30)

  • RTX 3090, RTX 3080, RTX 3070
  • Tensor Cores, traçado de raios (ray tracing) e DLSS (Deep Learning Super Sampling)

A arquitetura NVIDIA Ampere, representada pelas GPUs da série RTX 30, é a última geração de suas GPUs voltadas para consumidores e profissionais. Essas GPUs apresentam melhorias significativas no desempenho de IA/ML, com Tensor Cores aprimorados, maior largura de banda de memória e suporte a recursos avançados como traçado de raios e DLSS (Deep Learning Super Sampling).

2. Arquitetura NVIDIA Volta (Titan V, Tesla V100)

  • Foco em cargas de trabalho de IA/ML
  • Tensor Cores para aceleração de operações matriciais

A arquitetura NVIDIA Volta, exemplificada pelas GPUs Titan V e Tesla V100, foi especificamente projetada para cargas de trabalho de IA e ML. Essas GPUs introduziram os Tensor Cores, que fornecem aceleração de hardware para operações matriciais essenciais em algoritmos de Aprendizado Profundo.

3. Arquitetura NVIDIA Turing (Série RTX 20)

  • RTX 2080 Ti, RTX 2080, RTX 2070
  • Traçado de raios e recursos potencializados por IA (AI-powered)

A arquitetura NVIDIA Turing, representada pela série RTX 20, trouxe avanços significativos tanto para jogos quanto para capacidades de IA/ML. Essas GPUs introduziram recursos como traçado de raios e aprimoramentos gráficos potencializados por IA, ao mesmo tempo em que oferecem melhor desempenho para cargas de trabalho de Aprendizado Profundo.

B. GPUs da AMD

1. Arquitetura AMD RDNA 2 (Série RX 6000)

  • RX 6800 XT, RX 6800, RX 6900 XT
  • Desempenho competitivo para cargas de trabalho de IA/ML

A arquitetura AMD RDNA 2, que alimenta as GPUs da série RX 6000, tem mostrado um desempenho impressionante para cargas de trabalho de IA e ML, oferecendo forte concorrência às soluções da NVIDIA nesse espaço.

2. Arquitetura AMD Vega (Radeon Vega 64, Radeon Vega 56)

  • Voltada tanto para jogos quanto para cargas de trabalho de IA/MLA arquitetura AMD Vega, representada pelas GPUs Radeon Vega 64 e Radeon Vega 56, foi projetada para atender tanto às cargas de trabalho de jogos quanto de IA/ML, oferecendo uma abordagem equilibrada entre desempenho e capacidades.

C. Comparação das GPUs NVIDIA e AMD

1. Referenciais de desempenho para tarefas de IA/ML

Ao comparar as GPUs NVIDIA e AMD para tarefas de IA/ML, é importante considerar os referenciais de desempenho e cenários de uso do mundo real. Cada fornecedor tem seus pontos fortes e fracos, e a escolha muitas vezes depende dos requisitos específicos da carga de trabalho de Aprendizado Profundo.

2. Eficiência energética e considerações térmicas

A eficiência energética e o gerenciamento térmico são fatores cruciais, especialmente para implantações em data centers ou dispositivos de borda. Tanto a NVIDIA quanto a AMD fizeram avanços na melhoria da eficiência energética e nas características térmicas de suas últimas arquiteturas de GPU.

3. Ecossistema de software e suporte

O ecossistema de software e o suporte para frameworks e ferramentas de Aprendizado Profundo são considerações importantes ao escolher entre as GPUs NVIDIA e AMD. A plataforma CUDA da NVIDIA possui um ecossistema mais maduro e abrangente, enquanto o ROCm da AMD oferece uma alternativa crescente para suporte de código aberto e multiplataforma.

V. Fatores a serem considerados ao escolher uma GPU para IA

A. Carga de trabalho e aplicação-alvo

1. Processamento de imagem/vídeo

2. Processamento de Linguagem Natural (NLP)

3. Aprendizado por Reforço

4. Modelos Generativos (GANs, VAEs)

A escolha da GPU deve ser orientada pelos requisitos específicos da carga de trabalho e da aplicação. Tarefas de Aprendizado Profundo diferentes podem se beneficiar das capacidades e otimizações únicas de diferentes arquiteturas de GPU.

B. Requisitos de desempenho

1. Velocidade de inferência

2. Rendimento de treinamento

Dependendo se o foco é em inferência rápida ou treinamento eficiente, a seleção da GPU deve ser adaptada para atender aos requisitos de desempenho do caso de uso-alvo.

C. Restrições de energia e térmicas

1. Datacenters vs. dispositivos de borda/embutidos

2. Soluções de resfriamento

O consumo de energia e o gerenciamento térmico são fatores cruciais, especialmente para implantações em ambientes restritos, como data centers ou dispositivos de borda. A escolha da GPU deve estar alinhada com o orçamento de energia disponível e as capacidades de resfriamento.

D. Software e suporte do ecossistema

1. CUDA vs. ROCm (AMD)

2. Frameworks de Aprendizado Profundo (TensorFlow, PyTorch, etc.)

3. Modelos pré-treinados e aprendizado por transferência

O ecossistema de software, incluindo a disponibilidade de suporte CUDA ou ROCm, além da integração com frameworks populares de Aprendizado Profundo e acesso a modelos pré-treinados, pode impactar significativamente o desenvolvimento e a implantação de aplicativos de IA/ML.

Redes Neurais Convolucionais (CNNs)

Redes Neurais Convolucionais (CNNs) são um tipo de arquitetura de Aprendizado Profundo especialmente adequada para processar e analisar dados de imagem. Ao contrário das redes neurais tradicionais que operam em entrada plana unidimensional, as CNNs são projetadas para aproveitar os relacionamentos espaciais e locais dentro de uma imagem.

Os componentes principais de uma arquitetura de CNN são:

  1. Camadas Convolucionais: Essas camadas aplicam um conjunto de filtros (ou kernels) aprendíveis à imagem de entrada, extraindo características e padrões importantes. Os filtros são convolvidos pela largura e altura da entrada, produzindo um mapa de características que captura os relacionamentos espaciais nos dados.

  2. Camadas de Pooling: Essas camadas realizam uma operação de downsampling, reduzindo as dimensões espaciais dos mapas de características enquanto preservam as características mais importantes. Isso ajuda a reduzir o número de parâmetros e a complexidade computacional do modelo.

  3. Camadas Totalmente Conectadas: Essas camadas são semelhantes às camadas ocultas em uma rede neural tradicional, e são usadas para fazer as previsões ou classificações finais com base nas características extraídas.

Aqui está um exemplo de como construir um modelo CNN simples usando as bibliotecas TensorFlow e Keras:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
 
# Definir o modelo CNN
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))
 
# Compilar o modelo
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

Neste exemplo, definimos um modelo CNN com três camadas convolucionais, cada uma seguida de uma camada de pooling máxima (max-pooling). As camadas finais incluem uma operação de achatamento (flattening) e duas camadas totalmente conectadas, uma com 64 unidades e ativação ReLU, e a camada de saída com 10 unidades e ativação softmax (para um problema de classificação com 10 classes).

Em seguida, compilamos o modelo com o otimizador Adam e a função de perda cross-entropia categórica (categorical cross-entropy), comumente usada para tarefas de classificação multiclasse.

Redes Neurais Recorrentes (RNNs)

Redes Neurais Recorrentes (RNNs) são um tipo de arquitetura de Aprendizado Profundo bem adequado para processar dados sequenciais, como texto, fala ou séries temporais. Ao contrário de redes neurais "feedforward", que processam as entradas de forma independente, RNNs têm a capacidade de manter uma "memória" das entradas anteriores, permitindo que capturem as dependências temporais nos dados.

Os componentes principais de uma arquitetura RNN são:

  1. Camadas Recorrentes: Essas camadas processam a sequência de entrada um elemento de cada vez, mantendo um estado oculto que é passado do tempo de uma etapa para a próxima. Isso permite que o modelo aprenda padrões e dependências dentro da sequência.

  2. Funções de Ativação: RNNs normalmente usam funções de ativação como tangente hiperbólica (tanh) ou ReLU para introduzir não-linearidade e controlar o fluxo de informações através da rede.

  3. Camadas de Saída: As camadas finais de um modelo RNN são usadas para fazer as previsões ou saídas desejadas com base nas representações aprendidas.

Aqui está um exemplo de como construir um modelo RNN simples usando TensorFlow e Keras:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense
 
# Definir o modelo RNN
model = Sequential()
model.add(SimpleRNN(64, input_shape=(None, 10)))
model.add(Dense(1, activation='sigmoid'))
 
# Compilar o modelo
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

Neste exemplo, definimos um modelo RNN com uma única camada SimpleRNN com 64 unidades. O formato de entrada é definido como (None, 10), o que significa que o modelo pode aceitar sequências de comprimento arbitrário, com cada elemento de entrada tendo 10 características.

A camada final é uma camada densa com uma única unidade e ativação sigmoide, que pode ser usada para tarefas de classificação binária.

A seguir, compilamos o modelo com o otimizador Adam e a função de perda entropia cruzada binária (binary cross-entropy), que é comumente usada para problemas de classificação binária.

Long Short-Term Memory (LSTMs) e Gated Recurrent Units (GRUs)

Embora RNNs básicas possam ser eficazes para algumas tarefas, elas podem apresentar problemas como gradientes desvanecentes ou explosivos, o que pode dificultar seu treinamento efetivo. Para lidar com esses desafios, foram desenvolvidas arquiteturas RNN mais avançadas, como Long Short-Term Memory (LSTMs) e Gated Recurrent Units (GRUs).

Long Short-Term Memory (LSTMs) são um tipo de RNN que usa uma estrutura de célula mais complexa para capturar melhor as dependências de longo prazo nos dados. As LSTMs introduzem o conceito de "gates" que controlam o fluxo de informações para dentro e para fora do estado da célula, permitindo que o modelo se lembre seletivamente ou esqueça informações conforme necessário.

Gated Recurrent Units (GRUs) são um tipo similar de RNN avançada que também usa mecanismos de gating para controlar o fluxo de informações. As GRUs têm uma estrutura mais simples que as LSTMs, com menos parâmetros, o que pode torná-las mais rápidas de treinar e menos suscetíveis ao overfitting.

Aqui está um exemplo de como construir um modelo LSTM usando TensorFlow e Keras:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
 
# Definir o modelo LSTM
model = Sequential()
model.add(LSTM(64, input_shape=(None, 10)))
model.add(Dense(1, activation='sigmoid'))
 
# Compilar o modelo
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

Neste exemplo, definimos um modelo LSTM com 64 unidades. O formato de entrada é definido como (None, 10), o que significa que o modelo pode aceitar sequências de comprimento arbitrário, com cada elemento de entrada tendo 10 características.

A camada final é uma camada densa com uma única unidade e ativação sigmoide, que pode ser usada para tarefas de classificação binária.

A seguir, compilamos o modelo com o otimizador Adam e a função de perda entropia cruzada binária, similar ao exemplo de RNN.

Aprendizado por Transferência

Aprendizado por transferência é uma técnica poderosa em Aprendizado Profundo que envolve o uso de um modelo pré-treinado como ponto de partida para uma nova tarefa, em vez de treinar um modelo do zero. Isso pode ser particularmente útil quando você possui uma quantidade limitada de dados para o seu problema específico, pois permite aproveitar as características e representações aprendidas pelo modelo pré-treinado.

Uma abordagem comum para o aprendizado por transferência é usar um modelo pré-treinado como extrator de características, onde você remove a camada de classificação final e usa as ativações das camadas anteriores como entrada para um novo modelo. Este novo modelo pode então ser treinado em sua tarefa específica, muitas vezes com um conjunto de dados menor e menos iterações de treinamento.

Aqui está um exemplo de como usar o aprendizado por transferência com um modelo pré-treinado VGG16 para classificação de imagens:

from tensorflow.keras.applications.vgg16 import VGG16
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.models import Model
 
```# Carregar o modelo pré-treinado VGG16 (sem a camada superior)
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
 
# Congelar as camadas do modelo base
for layer in base_model.layers:
    layer.trainable = False
 
# Adicionar novas camadas em cima do modelo base
x = base_model.output
x = Flatten()(x)
x = Dense(128, activation='relu')(x)
x = Dense(10, activation='softmax')(x)
 
# Definir o modelo final
model = Model(inputs=base_model.input, outputs=x)
 
# Compilar o modelo
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

Neste exemplo, primeiro carregamos o modelo pré-treinado VGG16, excluindo a camada de classificação final. Em seguida, congelamos as camadas do modelo base, o que significa que seus pesos não serão atualizados durante o treinamento.

Depois, adicionamos novas camadas em cima do modelo base, incluindo uma camada de achatamento, uma camada densa com 128 unidades e ativação ReLU, e uma camada densa final com 10 unidades e ativação softmax (para um problema de classificação com 10 classes).

Finalmente, definimos o modelo final conectando a entrada do modelo base às novas camadas, e compilamos o modelo com o otimizador Adam e a função de perda de entropia cruzada categórica.

Essa abordagem nos permite aproveitar as representações de características aprendidas pelo modelo pré-treinado VGG16, que foi treinado em um grande conjunto de dados (ImageNet), e ajustar o modelo para nossa tarefa específica de classificação usando um conjunto de dados menor.

Conclusão

Neste tutorial, exploramos várias arquiteturas e técnicas principais de aprendizado profundo, incluindo Redes Neurais Convolucionais (CNNs), Redes Neurais Recorrentes (RNNs), Memória de Curto Prazo de Longo Prazo (LSTMs), Unidades Recorrentes Gateadas (GRUs) e Transfer Learning.

CNNs são adequadas para processar e analisar dados de imagem, graças à sua capacidade de capturar relacionamentos espaciais e locais dentro da entrada. RNNs, por outro lado, são projetadas para lidar com dados sequenciais, como texto ou séries temporais, ao manter uma "memória" das entradas anteriores.

Para enfrentar os desafios enfrentados pelas RNNs básicas, arquiteturas mais avançadas como LSTMs e GRUs foram desenvolvidas, que utilizam mecanismos de gating para melhor controlar o fluxo de informações e capturar dependências de longo prazo.

Finalmente, exploramos o conceito de transfer learning, que nos permite aproveitar as características e representações aprendidas por modelos pré-treinados para lidar com novas tarefas, mesmo com dados limitados.

À medida que você continua sua jornada em aprendizado profundo, incentivo você a experimentar essas técnicas, explorar diferentes arquiteturas e aplicações, e expandir continuamente seu conhecimento. O campo do aprendizado profundo está evoluindo rapidamente, e existem inúmeras oportunidades para empurrar os limites do que é possível.

Chapter 12 Future Trends and Emerging Technologies Gpu DesignComo entender facilmente redes neurais convolucionais (CNNs) no TensorFlow