En lugar de estar separando los datos pueden simplemente hacer esto en el fit y así ahorrarán tiempo
Fundamentos en la arquitectura de redes neuronales
La importancia de las redes neuronales en la actualidad
¿Que herramientas usaremos para redes neuronales?
¿Qué es deep learning?
Tu primera red neuronal con Keras
Entrenando el modelo de tu primera red neuronal
La neurona: una pequeña y poderosa herramienta
Arquitectura de una red neuronal
Funciones de activación
Funcion de pérdida (loss function)
Descenso del gradiente
Backpropagation
Playground - Tensorflow
Quiz: Fundamentos en la arquitectura de redes neuronales
Redes neuronales con Python
Dimensiones, tensores y reshape
Creando nuestra red neuronal usando numpy y matemáticas
Entrenamiento forward de la red neuronal
Aplicando backpropagation y descenso del gradiente
Entrenamiento y análisis de resultados de tu red neuronal
Quiz: Redes neuronales con Python
Manejo de redes neuronales con Keras
Data: train, validation, test
Resolviendo un problema de clasificacion binaria
Entrenamiento del modelo de clasificación binaria
Regularización - Dropout
Reduciendo el overfitting
Resolviendo un problema de clasificación múltiple
Entrenamiento del modelo de clasificación múltiple
Resolviendo un problema de regresión
Entrenamiento del modelo de regresión
Análisis de resultados del modelo de regresión
Cierre
¿Qué sigue por aprender de redes neuronales?
Comparte tu proyecto de tu primera red neuronal y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónAportes 7
Preguntas 3
Ordenar por:
Nunca me gustó que al entrenar se genere mucho texto debajo, así que encontré esta barra de carga para entrenar modelos en keras.
Holi
Por si a alguien le interesa, también se puede determinar la precisión de modelo usando el cross validation :
Haciendo esto se puede observar que el score de entrenamiento y el score de prueba presentan un valor cercano a 1 por lo que no habría overfitting y el modelo estaría bien entrenado, sin embargo esto pasó porque use los valores x_train & y_train, cuando en realidad deberían de usarse los valores X ( la suma de x_train y y_train ) & y ( y_train + y_test), sin embargo cuando traté de usar esos valores la RAM de mi colab colapsó, quizas a ustedes si les resulte y puedan ver si en verdad hay overfitting como lo ha determinado el profesor en su ejemplo
Cross Entropy
Para ver cuáles son las funciones de optimizacion, perdida, activacion, etc, disponibles en keras, pueden usar las siguientes lineas de codigo.
from tensorflow.keras import (
activations, optimizers, losses, metrics
)
new_dir = lambda func: list(filter(lambda x: False if x.startswith('_') else True,func.__dir__()))
new_dir(metrics)
No todos los elementos de las listas corresponden a una de esas funciones, pero la mayoría si.
También pueden imprimir el atributo doc para ver una breve descripción del mismo.
print(metrics.binary_accuracy.__doc__)
De todas formas es preferible utilizar strings en los argumentos de la red neuronal ya que, en ocasiones, los miembros de los módulos en keras pueden ser movidos a otros, haciendo que nuestro código no sea future-proof.
layers.Dense(16, activation='relu', input_shape= (10000,))
# ambos funcionan igual, pero el primero es preferible
layers.Dense(16, activation=activations.relu, input_shape= (10000,))
Hemos creado una red neuronal, biennn, hemos caido en el overfitting, vale, hemos hecho un monton de cosas, pero sinceramente, alguien me puede decir que es lo que estamos intentando conseguir, me quede en la parte en la que habia un listado con muchas listas que tenian palabras y se expresaban en numeros, y de ahi, que si red, que si train, que si test, que si accuraccy, pero, para conseguir que???..
Lo mas didáctico sería que para cada linea se escriba una breve explicación o tal vez una documentación bien explicita. Tal vez sacrificar un poco de buena practica comentando todas las líneas para que la clase sea mas didáctica. Se que es complicado explicar con precisión mientras se escribe código, pero sería bueno implementar alguna idea que explícitamente le diga al alumno que se está haciendo en caso de que quiera volver a alguna etapa del código que le cueste encajar.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.