No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Curso de TensorFlow.js

Curso de TensorFlow.js

Alejandro Santamaria

Alejandro Santamaria

Entrenando un modelo

8/21
Recursos

Aportes 7

Preguntas 1

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

en que momento vamos a instalar todo para empezar a programar?

En una clase del curso de Introducci贸n a Machine Learning se explica como usar el Neural Network Playground. --> Link a la clase

Antes de entrenar el modelo debemos decidir 3 cosas:

  • Un optimizador: Que optimizador utilizar?
  • Una funcion de perdida: Que funcion de perdida utilizar?
  • Una lista de metricas: Cual es la lista de metricas con base a las cuales iremos monitoreando el aprendizaje de nuestro modelo.

La regularizaci贸n y normalizaci贸n de los datos favorece los c谩lculos de los valores de par谩metros (pesos) y el acercamiento acelerado al menor costo (p茅rdida) en el entrenamiento. Al llevar todos los features (valores de entrada) a un rango controlado entre 0 y 1 贸, -1 y 1 la cantidad de iteraciones necesarias para llegar al m铆nimo de la funci贸n de p茅rdida (o costo) es generalmente menor por lo que el tiempo necesario para el entrenamiento del modelo se podr铆a reducir considerablemente.

Funciones de p茅rdida
Es el objetivo que el modelo intentar谩 minimizar. Su meta es devolver un n煤mero que indique 鈥渜ue tan mal鈥 est谩 la predicci贸n del modelo. Este c谩lculo se realiza para cada 鈥渓ote鈥 de datos de entrenamiento. Existen algunas funciones predefinidas como 鈥渃ategoricalCrossentropy鈥 o 鈥渕eanSquaredError鈥.

馃敼 categoricalCrossentropy

Medida de entrop铆a que permite clasificar claramente entre dos categor铆as

馃敼 meanSquaredError

Distancia m铆nima cuadrada entre los puntos que el modelo est谩 aprendiendo y el punto que se esta prediciendo.

  • La funci贸n de p茅rdida se ir谩 calculando de manera repetitiva para cada batch de datos y finalmente, el optimizador ser谩 el encargado de ir moviendo los par谩metros tal que la funci贸n de p茅rdida sea m铆nima.

驴Se puede utilizar las mismas im谩genes de entrenamiento para la evaluaci贸n? Es decir ingresamos 10 im谩genes para entrenarle alguna de esas im谩genes se puede utilizar para evaluar.

Cabe aclarar que este modelo no funciona cuando el digito dibujado no es encuentra en el centro, para esto existen las redes neuronales convolucionadas