Interesante el ecosistema de TensorFlow 😏
Y claro, me uniré a la comunidad de TensorFlow Colombia 😃
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
KerasTuner: buscando la mejor configuración para tu modelo
KerasTuner: buscando la mejor configuración para tu modelo
Monitoreo del entrenamiento en tiempo real: early stopping y patience
KerasTuner: construyendo el modelo
KerasTuner: buscando la mejor configuración para tu modelo
KerasTuner: buscando la mejor configuración para tu 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
Recursos
TensorFlow es una de las opciones más recurrentes a la hora de llevar a cabo desarrollos de Deep Learning, sin embargo, es una de las opciones en su ecosistema. Existen otras librerías que han sido o siguen siendo relevantes en el desarrollo de inteligencia artificial.
Caffe, NVIDIA NeMO, Microsoft CNTK y GLUON son algunas de las herramientas más poderosas de desarrollo de Machine Learning que existen, su uso puede depender del caso de uso y cada una tendrá ventajas como soporte por la comunidad, integración en otros software y demás.
TensorFlow puede ser usado desde Python, JavaScript y C++, donde en cualquiera de las opciones puedes llevar a cabo un desarrollo entero. Para esta ocasión codearemos con Python.
TensorFlow y Keras: evolución y estructura
Usaremos TensorFlow 2, que es una evolución directa a TensorFlow 1, donde ya no requeriremos de creación y limpieza de sesiones, así como de creación de variables globales.
Una gran ventaja que ofrecía TensorFlow era la personalización de proyectos robustos, por lo que si te enfrentas a un reto de alta complejidad, puedes usar estas notaciones y estructuras de legado.
El nombre TensorFlow nace de la combinatoria de las palabras Tensor (que es la estructura de datos principal a la hora de trabajar con redes neuronales) y Flow (que se refiere al flujo de procesos durante el ciclo de vida de un algoritmo de Machine Learning), puedes entender cada paso del modelo como un nodo que será agrupado mediante una lógica de grafos.
El código de TensorFlow 2 es mucho más limpio y compacto que su versión predecesora, donde un par de métodos nos permiten definir funcionalidades complejas como la creación de capas y entrenamiento de modelos.
Para sintetizar el proceso de creación de modelos de Deep Learning, François Chollet desarrolla Keras como API para TensorFlow, una herramienta que oculta la matemática del proceso y permite crear modelos altamente efectivos con pocas líneas de código.
El ecosistema de Tensorflow no se limita a sí mismo, dado que es un desarrollo de Google, es compatible con otras de sus dependencias como Google Cloud, además de ser integrable como una pieza de software más en proyectos de alta complejidad.
Comunidad y soporte de TensorFlow
La comunidad es tan importante como el framework mismo, y esta es otra ventaja de TensorFlow: Se registran más de 56.000 preguntas en StackOverflow, se han certificado más de 100 Machine Learning Google Developer Experts y se han creado comunidades alrededor del mundo con miles de contribuyentes.
Si deseas unirte a una comunidad a nivel de Latinoamérica, la comunidad de TensorFlow Colombia apoya desarrolladores a nivel de habla hispana, por lo que puedes encontrar guia y apoyo a nivel nacional e internacional.
Si tienes hambre de más conocimiento de TensorFlow, puedes ir a la documentación oficial para explorar este robusto framework.
Contribución creada por Sebastián Franco Gómez.
Aportes 4
Preguntas 2
Ordenar por:
RESUMEN DE LA CLASE
Existen 5 principales frameworks (o librerías) de deep learning:
1. Tensorflow // El que se usará en el curso
2. Caffe
3. Pytorch
4. Microsoft CNTK
5. Gluon
Puedes programar en 3 lenguajes:
Python y C++ con Tensorflow
JavaScript con Tensorflow.js
¿Cómo funciona la lógica de Tensorflow?
Por medio del flujo de las redes neuronales
// Recordemos que las redes tienen:
[
0 => "nodos de entrada (donde entra la información) y donde se realizan operaciones matemáticas",
1 => "Capas intermedias donde los datos de entrada se empienza a transformar y a realizar operaciones matemáticas también que no vemos",
2 => "nodo de salida donde obtenemos el resultado esperado, bien sea la predicción de un número o el número exacto que esperamos aprenda a retornar la IA"
Estos elemento se grafican en un modelo llamado GRAFO con dos elementos (nodos y aristas)
{
nodo: "Cada uno de los puntos por donde fluyen los datos de entrada que se procesan",
arista: "Son las flechas que indican el flujo de dirección de un nodo",
grafos: "Se le llama al conjunto de nodos y aristas",
}
Los datos que fluyen a través del grafo se representan en tensores
Tensor: Estructuras similares a los vectores o matrices
Las diferencias entre Tensorflow I y Tensorflow II son:
- Que el grafo (el modelo) se tenía que programar y definirse
- Se generaba muchas líneas de código dificil de entender
- Por lo anterior un ex-empleado (Francois Chollet) de Google en 2015 creó Keras, una sublibrería de Tensorflow donde puedes ahorrarte largas líneas de código para crear grafos (modelos)
Ecosistema de Tensorflow
- Google Cloud
- Arduino
- Google Machine Learning API
- Flask
- Tensorflow Extended
- Tensorflow Lite
- Tensorflow JS
- Y más
Muy recomendada la comunidad de TensorFlow Colombia. 10/10
Es muy interesante el avance de pasar de TensorFlow 1 a TensorFlow 2 todo el avance, y la facilidad que le da para crear nuevos proyectos.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.