Cómo utilizar TensorFlow 2.0 con Python

1

Redes neuronales con TensorFlow

2

Introducción a TensorFlow 2.0

Manejo y preprocesamiento de datos para redes neuronales

3

Uso de data pipelines

4

Cómo 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

Cómo distribuir los datos

11

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

Optimización de precisión de modelos

12

Métodos de regularización: overfitting y underfitting

13

Recomendaciones prácticas para ajustar un modelo

14

Métricas 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 configuración 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

Introducción al aprendizaje por transferencia

21

Cuándo 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

Introducción a variables relevantes del TensorBoard

26

Análisis y publicación de resultados del entrenamiento

27

Introducción al despliegue de modelos en producción

28

Siguientes pasos con deep learning

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Introducción a variables relevantes del TensorBoard

25/28
Recursos

A través de los módulos hemos explorado gran parte del ciclo de vida de los algoritmos de deep learning, desde la carga y limpieza de datos hasta la creación y optimización de los mismos, culminando con la implementación de modelos pre-entrenados desde Keras Applications y TensorHub.

Ahora indagaremos sobre TensorBoard, una herramienta que nos permitirá publicar los resultados de nuestros modelos a la comunidad.

A través de las siguientes sesiones, comprenderemos qué es Tensorboard, sus variables relevantes, cómo analizar y publicar nuestros resultados, además de algunas nociones para escalar nuestros modelos a producción.

Temario general TensorBoard

## Introducción a TensorBoard

TensorBoard es una herramienta de TensorFlow creada para la visualización de resultados, nos permite ver de manera gráfica la composición, estructura, variables relevantes y demás insights de nuestro modelo y nos ofrece la oportunidad de debuggearlo para obtener las mejores configuraciones posibles.

Importaremos el callback de TensorBoard y el módulo nativo de time de Python.

python from tensorflow.python.keras.callbacks import TensorBoard from time import time

Generaremos un modelo con nuestra función generadora genérica y lo compilaremos con la configuración usual.

python model_tensorboard = get_model() model_tensorboard.compile(optimizer = "adam", loss = "categorical_crossentropy", metrics = ["accuracy"])

Antes de entrenar el modelo crearemos el callback de TensorBoard al que le especificaremos la ruta donde deberá guardar los registros.

python callback_tensorboard = TensorBoard(log_dir = f"logs/{time()}")

Entrenaremos el modelo agregando el TensorBoard como callback.

python history_tensorboard = model_tensorboard.fit( train_generator, epochs = 20, callbacks = [callback_tensorboard], validation_data = validation_generator ) Con esto tenemos todos los ingredientes necesarios para explorar nuestros resultados.

Contribución creada por Sebastián Franco Gómez.

Aportes 4

Preguntas 2

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Noviembre 2023 la web de Tensorboard https://tensorboard.dev/ sera deprecada

cerrando permanentemente en Diciembre de 2023

que hacer ahora? el proyecto de codigo abierto de tensorboard seguira publico y en mantenimiento https://github.com/tensorflow/tensorboard

En tensorflow esta la documentacion de como correr tensorboard en local en tus notebooks para poder seguir utilizando esta herramienta:
https://www.tensorflow.org/tensorboard/tensorboard_in_notebooks

la importación que hace el profesor esta deprecada la forma correcta de importar el callback ahora es

from tensorflow.keras.callbacks import TensorBoard

Interesante y de hecho muy util TensorBoard.dev para construir portafolios de proyectos personales 😃

El TensorBoard es una herramienta poderosa para visualizar y monitorear el entrenamiento de modelos de aprendizaje profundo en TensorFlow. Permite realizar un seguimiento detallado de métricas clave, visualizar la estructura del modelo, examinar gráficos de distribución de variables y más.


  • Te permiten visualizar imágenes de entrada, salidas de capas intermedias, etc.
  • Es útil para comprender cómo se procesan las imágenes dentro del modelo.
  • Puedes registrar imágenes usando tf.summary.image()
with tf.name_scope('images'):
    tf.summary.image('input_images', input_images, max_outputs=4)
    tf.summary.image('output_images', output_images, max_outputs=4)