¿Qué es TensorFlow?

Secuencia de pasos para usar TensorFlow:

Grafo acíclico dirigido

37 líneas, sí … pero …

El detalle con el uso de Tensorflow, es que esas 37 líneas condensan una cantidad importante de conocimientos necesarios para saber cúales tipos de capas crear, cuáles funciones de convolución usar, o cuántes dimensiones definir, cuáles funciones de optimización y pérdida, y cuántas veces o epochs se deberá correr el entrenamiento del modelo …

Y ese conocimiento es lo que esperamos conseguir en este curso 😃

Sitios para consultar y descargar algunos modelos, listos para usar con TensorFlowJS.

• https://tfhub.dev/s?deployment-format=tfjs
• https://github.com/tensorflow/models/tree/master/official

Un “tensor” se refiere a una estructura de datos para uso en una red neuronal:

• Escalar
• Vector
• Matriz
• combinaciones de las anteriores.

Como hacemos uso de TensorFlow?

1: Importamos la libreria de TensorFlow

Como hacemos uso de TensorFlow?

1: Importamos la libreria de TensorFlow

2: Importamos los Datos

2: Importamos los Datos

1. Configuracion del Modelo

# configurar el modelo de la red neuronal

model = keras.Sequential([
	keras.layers.Flatten(input_shape=(28,28)),
	keras.layers.Dense(128, activation=tf.nn.relu),
	keras.layers.Dense(10,activation=tf.nn.softmax)
])

model.compile(optimizer = tf.train.AdamOptimizer(),
		loss='sparse_categorical_crossentropy',
		metrics=['accuracy])

1. Entrenamiento del Modelo

# entrenas el modelo

model.fit(train_images, train_labels, epochs=5)

1. Evaluamos los resultados del entrenamiento de este modelo.

test_loss, test_acc = model.evaluate(test_images, test_labels)

print('test accuracy:', test_acc)

1. Una vez que sabemos que el modelo es correcto, podemos hacer predicciones.

# haz predicciones

predictions = model.predict(test_images)

En este ejemplo realizamos un modelo de identificacion de caracteres en tan solo 37 lineas.

Para los que tengan el siguiente error:

'tensorflow_core._api.v2.train' has no attribute 'adamoptimizer'

Cambiar dentro de “model.compile”

tf.optimizers.Adam()
# Cambiar por lo siguiente
optimizer = tf.train.AdamOptimizer()

Alrededor del minuto 7:
Después de evaluar un modelo, si este no nos satisface podemos regresar a volver a configurarlo y entrenarlo, y así hasta que nos dé el resultado esperado para que de ahí pueda hacer predicciones…

En Platzi está el excelente Curso de Redes Neuronales en Keras y Scikit-Learn para el que lo desee realizar.

RESUMEN:

• Que es tensor flow? Empezó siendo una librería open source, aunque ahora es un entorno completo de desarrollo.
• Ademas de una librería, que ofrece? No solo ofrece librerías para programar modelos de inteligencia artificial, sino ademas herramientas para visualizar, optimizar y compartir nuestros modelos con el resto del mundo.
• Cuales son los pasos básicos para crear una aplicación sencilla en TF? Tener los datos, diseñar tu modelo, entrenarlo, verificar que el entrenamiento fue correcto y utilizarlo para hacer predicciones.

• importar librerías.
  -Obtener los datos y normalizarlos (resize).
  -Hacer Data augmentation.
  -Escogemos la arquitectura puede ser VGG, resnet,SSD, ETC.
  -Hacemos Fine Tuning para evitar que el modelo caiga en overfitting, podemos descargar un modelo con lo pesos entrenados y entrenar la ultima capa haciendo Freeze y Unfreeze. Una técnica para tener una red mejor entrenada es Descargar una red con los pesos pre-entrenados congelando la red y solo entrenando la ultima capa, después se hace Unfreeze luego de haber entrenado la red durante unas epocas ahora las entreno todas ahora con un learning rate mas pequeño.
  -evaluar.
  -hacer predicciones.

TensorFlow tiene el objetivo de hacer cosas dificiles de manera facil.

Estas clases están que uno no quisiera ir a trabajar para no tener que parar. Súper interesantes.

Me encanta la explicación, mas claro no puede estar

Muy bueno los resúmenes al final de la clases. Ayudan mucho a anclar el conocimiento.