C贸mo utilizar TensorFlow 2.0 con Python

1

Redes neuronales con TensorFlow

2

Introducci贸n a TensorFlow 2.0

Manejo y preprocesamiento de datos para redes neuronales

3

Uso de data pipelines

4

C贸mo cargar bases de datos JSON

5

Cargar bases de datos CSV y BASE 64

6

Preprocesamiento y limpieza de datos

7

Keras datasets

8

Datasets generators

9

Aprende a buscar bases de datos para deep learning

10

C贸mo distribuir los datos

11

Crear la red neural, definir capas, compilar, entrenar, evaluar y predicciones

Optimizaci贸n de precisi贸n de modelos

12

M茅todos de regularizaci贸n: overfitting y underfitting

13

Recomendaciones pr谩cticas para ajustar un modelo

14

M茅tricas para medir la eficiencia de un modelo: callback

15

KerasTuner: buscando la mejor configuraci贸n para tu modelo

16

KerasTuner: buscando la mejor configuraci贸n para tu modelo

17

Monitoreo del entrenamiento en tiempo real: early stopping y patience

18

KerasTuner: construyendo el modelo

19

KerasTuner: buscando la mejor configuraci贸n para tu modelo

20

KerasTuner: buscando la mejor configuraci贸n para tu modelo

21

KerasTuner: buscando la mejor configuraci贸n para tu modelo

Almacenamiento y carga de modelos

22

Almacenamiento y carga de modelos: pesos y arquitectura

23

Criterios para almacenar los modelos

Fundamentos de aprendizaje por transferencia

24

Introducci贸n al aprendizaje por transferencia

25

Cu谩ndo utilizar aprendizaje por transferencia

26

Carga de sistemas pre-entrenados en Keras

27

API funcional de Keras

28

Uso sistemas pre-entrenados de TensorFlow Hub

Resultados de entrenamiento

29

Introducci贸n a variables relevantes del TensorBoard

30

An谩lisis y publicaci贸n de resultados del entrenamiento

31

Introducci贸n al despliegue de modelos en producci贸n

32

Siguientes pasos con deep learning

33

Comparte tu proyecto de detecci贸n de se帽as y certif铆cate

No tienes acceso a esta clase

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

Aprende todo un fin de semana sin pagar una suscripci贸n 馃敟

Aprende todo un fin de semana sin pagar una suscripci贸n 馃敟

Reg铆strate

Comienza en:

5D
4H
29M
6S

Keras datasets

7/33
Recursos

Keras nos ofrece una serie de datasets predeterminados con los cuales alimentar modelos, estas bases de datos son ideales para probar el rendimiento de diferentes algoritmos de machine learning porque sus datos se encuentran bastante limpios y listos para ser digeridos.

En la documentaci贸n oficial de Keras puedes encontrar los datasets disponibles, para esta ocasi贸n trabajaremos con CIFAR100, un dataset de 60.000 im谩genes de 100 clases diferentes relacionadas a objetos del mundo como veh铆culos, animales y dem谩s.

Puedes leer la estructura b谩sica y un quickstart de uso en la documentaci贸n, si quieres m谩s detalle, puede ir a la p谩gina oficial del dataset donde tendr谩s acceso a informaci贸n m谩s espec铆fica.

Descargando y manipulando Keras datasets

Importaremos los m贸dulos a trabajar, donde el protagonista ser谩 TensorFlow.

import tensorflow as tf
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt

Para extraer el dataset, haremos uso del m贸dulo de datasets de Keras (que viene incluido en TensorFlow).

from tensorflow.keras.datasets import cifar100

Cargaremos el dataset con la funci贸n load_data y ser谩 almacenada en 2 tuplas relacionadas a los datos de entrenamiento (que ser谩n 50.000) y los datos de prueba (los 10.000 restantes).

(x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode = "fine")

Si verificamos las dimensiones del set de entrenamiento, obtendremos en x un conjunto de 50.000 im谩genes de 32x32 en 3 canales RGB, mientras que las etiquetas ser谩n un array de 50.000 elementos del 0 al 99.

print(x_train.shape)
print(y_train.shape)

(50000, 32, 32, 3)
(50000, 1)

Podemos acceder a cualquier elemento del dataset y graficarlo con matplotlib, donde la etiqueta ser谩 78, pero, 驴Qu茅 significa este valor?

num_image = 40
plt.imshow(x_train[num_image])
print(y_train[num_image])
78

Generalmente, las etiquetas son guardadas en sesiones diferentes, es decir, externamente existe un diccionario de 鈥渢raducci贸n鈥 de estos valores a su hom贸logo real. Para obtener esta traducci贸n, haremos su descarga desde un repositorio externo.

!wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/cifar100_labels.json \
    -O /tmp/cifar100_labels.json

Deserializaremos el JSON para hacerlo compatible con los diccionarios de Python.

import json
with open("/tmp/cifar100_labels.json") as fine_labels:
  cifa100r_labels = json.load(fine_labels)

Ahora podemos entender a qu茅 se refieren las etiquetas num茅ricas.

num_label = 78
plt.imshow(x_train[num_label])
print(cifar100_labels[y_train[num_label][0]])
Forest

Con esto hemos cargado un dataset funcional para ser procesado y digerido por tus modelos.

Contribuci贸n creada por Sebasti谩n Franco G贸mez.

Aportes 12

Preguntas 1

Ordenar por:

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

o inicia sesi贸n.

!wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/cifar100_labels.json \
    -O /tmp/cifar100_labels.json

Para el reto de la semana cargu茅 el dataset de Fashion MNIST:

Creo que es una bota jajajaja

Hay un error en uno de los print. La correcci贸n es la siguiente:

print(cifar100_labels[y_train[num_label][0]])

Utilice el Dataset fashion_mnist e hice la consulta al elemento 52

aparte me cree una variable de llaves, de acuerdo a la informacion del dataset de Keras

Pero no se si sea correcto hacer esto

import tensorflow as tf
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import fashion_mnist

(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
fashion_mnist_labels = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

num_image = 52
plt.imshow(x_train[num_image])
print(fashion_mnist_labels[y_train[num_image]])

Si est谩n en un entorno como VSCode y el comando wget no se los reconoce, pueden internar de la siguiente forma con curl

!curl -k -o  cifar100_labels.json https://storage.googleapis.com/platzi-tf2/cifar100_labels.json

#desacargamos la subclase.
(x_train,y_train),(x_text,y_test) = tf.keras.datasets.
cifar100.load_data(label_mode=鈥渇ine鈥)

from tensorflow.keras.datasets import fashion_mnist
 (x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
plt.imshow(x_train[10])

Si estan de forma local y no pueden por alguna razon hacer wget o curl, tambi茅n puede ejecutar este codigo de python

import urllib.request
url = 'https://storage.googleapis.com/platzi-tf2/cifar100_labels.json'
filename = 'cifar100_labels.json'
urllib.request.urlretrieve(url, filename) 

Por si a alguien no le sale la importacion de keras, la siguiente puede ser una alternativa:

from tensorflow import keras

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100.load_data()

Trabaje con el dataset de MNIST

from tensorflow.keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
assert x_train.shape == (60000, 28, 28)
assert x_test.shape == (10000, 28, 28)
assert y_train.shape == (60000,)
assert y_test.shape == (10000,)
num_image = 55
plt.imshow(x_train[num_image])
print(y_train[num_image])
num_image = 36
plt.imshow(x_train[num_image])
print(y_train[num_image])

Tambien cargu茅 el dataset fashion_mnist
![](