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

Monitoreo del entrenamiento en tiempo real: early stopping y patience

16

KerasTuner: construyendo el modelo

17

KerasTuner: buscando la mejor configuraci贸n para tu modelo

Almacenamiento y carga de modelos

18

Almacenamiento y carga de modelos: pesos y arquitectura

19

Criterios para almacenar los modelos

Fundamentos de aprendizaje por transferencia

20

Introducci贸n al aprendizaje por transferencia

21

Cu谩ndo utilizar aprendizaje por transferencia

22

Carga de sistemas pre-entrenados en Keras

23

API funcional de Keras

24

Uso sistemas pre-entrenados de TensorFlow Hub

Resultados de entrenamiento

25

Introducci贸n a variables relevantes del TensorBoard

26

An谩lisis y publicaci贸n de resultados del entrenamiento

27

Introducci贸n al despliegue de modelos en producci贸n

28

Siguientes pasos con deep learning

A煤n no tienes acceso a esta clase

Crea una cuenta y contin煤a viendo este curso

Almacenamiento y carga de modelos: pesos y arquitectura

18/28
Recursos

Aportes 4

Preguntas 1

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

Procedimiento:

  1. Guardar la configuraci贸n o arquitectura del modelo en un diccionario
  2. Cargar la arquitectura en un nuevo modelo (sin pesos)
  3. Ir guardando los pesos actualizados en cada epoch
  4. Definir directorio donde se guardan los pesos y que par谩metros se guardar谩n

En la documentaci贸n de Tensorflow nos dan otra opcion para guardar modelos:

Guardar el Modelo

model.save(鈥榩ath_to_my_model.h5鈥)

Recrea exactamente el mismo modelo solo desde el archivo

new_model = keras.models.load_model(鈥榩ath_to_my_model.h5鈥)

Para no sobre escribir los pesos.

checkpoint_path = os.path.join(WORK_DIRECTORY, 'checkpoints_{epoch:02d}-{val_accuracy:.4f}')
checkpoint_weights = ModelCheckpoint(
    filepath = checkpoint_path,
    frequency = 'epoch',
    save_weights_only = True,
    verbose = 1
)

Creo que es una buena pr谩ctica imprimirlos con val_accuracy, porque este es un buen indicador de qu茅 tan buenos son los pesos que estamos guardando.

Hola, si quieren guardar la arquitectura de la red en un documento .json, pueden hacer lo siguiente

import json

with open(os.path.join(WORK_DIRECTORY,'hypermodel_architecture.json'), 'w') as fp:
    json.dump(hypermodel_architecture, fp)

Siendo

os.path.join(WORK_DIRECTORY,'hypermodel_architecture.json')

el lugar donde quiero guardar mi .json e hypermodel_architecture, el diccionario que contiene mi arquitectura.

Si quieren cargar la arquitectura desde el archivo .json:

with open(os.path.join(WORK_DIRECTORY, 'hypermodel_architecture.json' )) as jsn:
  structure = json.load(jsn)

structure, vuelve a ser un diccionario con la arquitectura de la red neuronal que pueden visualizar con:

# Creo un modelo con el diccionario
hypermodel = tf.keras.Sequential.from_config(config=structure)
# Veo el resumen de la arquitectura.
hypermodel.summary()