¿Que herramientas usaremos para redes neuronales?
Clase 2 de 29 • Curso de Fundamentos de Redes Neuronales con Python y Keras
Resumen
¿Qué herramientas se utilizan en este curso sobre deep learning?
En este curso sobre redes neuronales y deep learning, se emplean diversas herramientas que facilitan el desarrollo y entrenamiento de modelos. Las herramientas más conocidas son TensorFlow y PyTorch, utilizados ampliamente para manejar estas tecnologías avanzadas. Estas no son las únicas opciones: Theano y Microsoft Cognitive Toolkit también son recomendados, aunque en un ámbito más específico o empresarial.
A la par de los frameworks mencionados, se utiliza Keras. Es crucial aclarar que Keras no es un backend, sino un API diseñada para simplificar el consumo de otros backends como TensorFlow o PyTorch. Durante este curso, se utilizará Keras para conectarse con TensorFlow, aprovechando sus capacidades de procesamiento avanzadas.
¿Por qué elegir GPU sobre CPU en deep learning?
La elección de GPU sobre CPU en tareas de deep learning se debe principalmente a la capacidad de la GPU para manejar cálculos matemáticos a gran escala de manera más eficiente. Originalmente, las GPUs eran conocidas por su uso en la optimización de videojuegos, pero su diseño les permite procesar enormes volúmenes de datos simultáneamente, algo fundamental en deep learning.
En este curso, Keras actuará como intermediario, comunicándose con TensorFlow, que a su vez utilizará los recursos de la GPU para procesar los cálculos necesarios de manera óptima.
¿Cómo se integran los notebooks en el aprendizaje?
Los notebooks son herramientas esenciales para ejecutar código y documentar procesos, facilitando el aprendizaje y el desarrollo colaborativo. Existen varios tipos de notebooks populares que se utilizan en el ámbito de la programación y el análisis de datos, tales como:
- Deepnote
- Jupyter
- Colaboratory
- Visual Studio Code
En el contexto de este curso, utilizaremos Google Colab, una plataforma accesible y gratuita que permite el uso de GPU en la nube. Esto brinda a los usuarios una forma cómoda de desarrollar y ejecutar sus scripts de Python sin preocuparse por limitaciones de hardware personal.
Colab es ideal para aquellos que desean experimentar con deep learning sin incurrir en costos adicionales, ofreciendo también colaboración en tiempo real y la capacidad de compartir notebooks fácilmente. Se proporcionarán enlaces a Colab para facilitar el acceso y la experimentación con código de manera efectiva.