la importación que hace el profesor esta deprecada la forma correcta de importar el callback ahora es
from tensorflow.keras.callbacks import TensorBoard
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
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
No se trata de lo que quieres comprar, sino de quién quieres ser. Invierte en tu educación con el precio especial
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
12 Días
5 Hrs
0 Min
33 Seg
Introducción a variables relevantes del TensorBoard
25/28Recursos
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.
## 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 3
Preguntas 2
Ordenar por:
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)
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?