A煤n no tienes acceso a esta clase

Crea una cuenta y contin煤a viendo este curso

Curso de TensorFlow.js

Curso de TensorFlow.js

Alejandro Santamaria

Alejandro Santamaria

Entradas, capas y salidas

7/21
Recursos

Aportes 10

Preguntas 2

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

La implementaci贸n de capas mediante el API de layers de tensorflow.JS, es equivalente a la implementaci贸n de la API de Keras en tensorflow para python o c++. De hecho 鈥渓ayers鈥 est谩 basada en 鈥淜eras鈥.

Ref: https://www.tensorflow.org/js/guide/layers_for_keras_users

Ac谩 dejo una comparativa:

  • Python:
  • JS:

Entradas, capas y salidas

  • Las capas se encargan de transformar los datos de entrada para:
    • Aprender el patr贸n de los datos de entrenamiento
    • Inferir o predecir un resultado
  • Para crear modelos se puede usar:
    • Layers API (Usuario b谩sico)
    • API Core (Usuario avanzado)
  • Funciones de activaci贸n
    • ReLU
    • Softmax: crea una distribuci贸n de probabilidades (煤til para modelos de clasificaci贸n)
  • El modelo expone los componentes:
    • layers
    • inputLayers
    • outputLayers
  • Validaci贸n del modelo (Tensorflow.js hace una validaci贸n autom谩tica de los valores de las capas si se utiliza Layers API)
  • Ventajas de Layers:
    • Inicializaci贸n autom谩tica de pesos
    • Serializaci贸n de los modelos
    • Monitoreo del entrenamiento
    • Portabilidad (a otras plataformas)
    • Revisi贸n de seguridad
  • API Core:
    • Brinda mayor control
    • Se deben crear manualmente los m茅todos para serializar, inicializar y validar los par谩metros

Como se ve en el slide del minuto 06:30, 鈥淪oftmax鈥 es una generalizaci贸n de lo que se conoce como Funci贸n Sigmoide o Funci贸n de Regresi贸n Log铆stica, que se usa para comprimir valores arbitrarios (convertirlos por equivalencia directa) en un rango controlado de entre 0 y 1. De manera similar la funci贸n tanh (tangente hiperb贸lica) comprime los valores en un rango de -1 a 1 鈥 as铆 hay otras funciones que dependiendo del caso se pueden usar con mejor resultado.

para iniciar con api Layers
para hacer cosas complejas Core API

La API Core

Si utilizas esta API tendras mas control, pero es mas dificil ya que deberas crear metodos para serializar, inicializar y validar sus parametros.

Componentes Principales del Modelo para una Red Neuronal

  • Dos entradas (i1, i2)
  • Una capa escondida (h1.1, h1.2, h1.3)
  • La capa de salida (o)

Las ventajas de Layers

Ademas de la validacion, Layers proporciona:

  • Inicializacion de pesos

  • Serializacion (para guardar los modelos)

  • Monitoreo del entrenamiento

  • Portabilidad

  • Revision de seguridad

Validacion del Modelo

Ambos modelos son instancias LayersModels y requieren la especificacion de la forma que recibira la entrada (input), TensorFlow.js hace un calculo automatico de las formas que tendran los tensores intermedios y de crear los parametros.

Si existiera alguna incompatibilidad entre dos capas consecutivas, la libreria se encargara de notificartelo.

La base de una red neuronal:

  • 2 entradas
  • Capas ocultas
  • Una salida

Importante determinar cual sera la capa de entrada , la capa oculta y la capa de salia, previo a ello hacer un pre procesamiento de datos,antes de empezar con el entrenamiento.