KerasTuner permite la búsqueda y optimización de hiperparámetros. KerasTuner viene con algoritmos de optimización bayesiana, hiperbanda y búsqueda aleatoria integrados. El algoritmo de ajuste utiliza la asignación de recursos adaptativa y la detención anticipada para converger rápidamente en un modelo de alto rendimiento. El algoritmo entrena una gran cantidad de modelos durante algunas epochs y lleva solo la mitad de los modelos con mejor rendimiento a la siguiente ronda.
Cómo utilizar TensorFlow 2.0 con Python
Redes neuronales con TensorFlow
Introducción a TensorFlow 2.0
Manejo y preprocesamiento de datos para redes neuronales
Uso de data pipelines
Cómo cargar bases de datos JSON
Cargar bases de datos CSV y BASE 64
Preprocesamiento y limpieza de datos
Keras datasets
Datasets generators
Aprende a buscar bases de datos para deep learning
Cómo distribuir los datos
Crear la red neural, definir capas, compilar, entrenar, evaluar y predicciones
Optimización de precisión de modelos
Métodos de regularización: overfitting y underfitting
Recomendaciones prácticas para ajustar un modelo
Métricas para medir la eficiencia de un modelo: callback
Monitoreo del entrenamiento en tiempo real: early stopping y patience
KerasTuner: construyendo el modelo
KerasTuner: buscando la mejor configuración para tu modelo
Almacenamiento y carga de modelos
Almacenamiento y carga de modelos: pesos y arquitectura
Criterios para almacenar los modelos
Fundamentos de aprendizaje por transferencia
Introducción al aprendizaje por transferencia
Cuándo utilizar aprendizaje por transferencia
Carga de sistemas pre-entrenados en Keras
API funcional de Keras
Uso sistemas pre-entrenados de TensorFlow Hub
Resultados de entrenamiento
Introducción a variables relevantes del TensorBoard
Análisis y publicación de resultados del entrenamiento
Introducción al despliegue de modelos en producción
Siguientes pasos con deep learning
Comparte tu proyecto de detección de señas y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónKerasTuner: construyendo el modelo
16/29Recursos
Aportes 5
Preguntas 0
Ordenar por:
KerasTuner:
https://keras.io/keras_tuner/
Así estructuré los comentarios del codigo del modelo
# definira una funcion que recibe la cantidad de neuronas inicial de la capa de entrada
def constructor_modelos(hp):
model = tf.keras.models.Sequential() #modelo secuencial
#capa de entrada
# aplico convolucion y maxpool
model.add(tf.keras.layers.Conv2D(75, (3,3), activation= "relu", input_shape = (28, 28, 1)))
model.add(tf.keras.layers.MaxPool2D((2,2)))
#tranformo matriz de imagen a lista
model.add(tf.keras.layers.Flatten())
#capas intermedias 1
#esta capa sera variable
#para esta capa establecere un rango[32,512] e ire saltando con paso 32
hp_units = hp.Int("units", min_value = 32, max_value = 512, step = 32) #establezco el rango
model.add(tf.keras.layers.Dense(units=hp_units,activation = "relu", kernel_regularizer= regularizers.l2(1e-5))) #ese rango le doy a la capa
model.add(tf.keras.layers.Dropout(0.2)) #como antes le doy ese dropout
#capa intermedia 2
#esta capa la hare fija,128 neuronas
model.add(tf.keras.layers.Dense(128,activation = "relu", kernel_regularizer= regularizers.l2(1e-5)))
model.add(tf.keras.layers.Dropout(0.2))
#capa de salida
model.add(tf.keras.layers.Dense(len(classes), activation = "softmax"))
#tambien el lerning rate sera variable,entre estas tres opciones:
hp_learning_rate = hp.Choice('learning_rate', values = [1e-2, 1e-3, 1e-4])
model.compile(optimizer = keras.optimizers.Adam(learning_rate=hp_learning_rate),loss = "categorical_crossentropy", metrics = ["accuracy"])
#para el optimizador probara con esas opciones de learning rate
return model
Tiene errores sintácticos pero semánticamente se entiende jeje
a partir de aquí ya me perdí o.o
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.