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

Análisis y publicación de resultados del entrenamiento

26/28
Recursos

Nuestra configuración de TensorBoard está lista, ahora solo debemos usarla con las herramientas de TensorFlow.

Usando TensorBoard

Emplearemos los comandos mágicos de IPython para cargar TensorBoard. Una vez cargado, le indicaremos el directorio del que debe extraer los resultados para analizarlos.

%load_ext tensorboard

%tensorboard --logdir logs

Después de un tiempo se mostrará un board con toda la información del modelo, que además nos permitirá explorar su configuración, arquitectura y resultados.

Si quieres desplegar tus resultados a la web, tensorboard te ofrece el comando upload, donde le dará la dirección de los logs, el nombre del proyecto y la descripción. Después de una breve configuración y autentificación obtendrás un link al que cualquier persona podrá acceder para analizar los resultados de tu proyecto.

!tensorboard dev upload --logdir ./logs --name "Proyecto prueba" --description "Test development results" --one_shot

Obtendrás una URL de acceso público para compartirla con otros devs.

Vista general TensorBoard

Con esto puedes crear un portafolio de proyectos para mostrar a tus comunidades.

Contribución creada por Sebastián Franco Gómez.

Aportes 15

Preguntas 1

Ordenar por:

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

o inicia sesión.

que curso tan completo, lo que pudo ser meses de búsqueda autodidacta o pagos en Coursera o otra plataforma de estudio esta acá en Platzi Tensorflow

Me encantó el curso, en mí hubo un antes y un despues y me alegra, porque nunca salí de la parte teorica de la inteligencia artificial y pues aquí estoy, aplicando todos lo conocimientos que adquirí leyendo y yendo a conferencias. Dejo mi link https://tensorboard.dev/experiment/9jedq2TRQne14p6AMLnzuA/#scalars

Pues sí, me encantó el curso. De hecho un curso que marca un punto de inflexión en mi aprendizaje 💪🏽

View your TensorBoard at: https://tensorboard.dev/experiment/VoZnn8vEQeGPT8krJoBi8w/

Este curso está genial, mis felicitaciones al profesor Adonaí y a Platzi por traernos contenido de alta calidad y en nuestro idioma; este curso vale oro.

Hay un error al usar TensorBoard, supongo que les sale cuando entrenan el modelo con el callback de TensorBoard, se soluciona cambiando el import de esta manera:
from tensorflow.keras.callbacks import TensorBoard

Gran curso, me ha ayudado a desarrollar un proyecto enfocado en la detección de emociones a partir de una imagen del rostro de la persona evaluada.
Dejo mi link de la clase: https://tensorboard.dev/experiment/Ml7apxQxTDqZVcN2OGxMow/

Muy buen curso Adonaí, logré un accuracy de en torno al 70% prediciendo los 4 tipos de tumores cerebrales de la siguiente BD:

https://github.com/SartajBhuvaji/Brain-Tumor-Classification-DataSet/archive/refs/heads/master.zip

El tensorboard del modelo se encuentra en el siguiente enlace:

https://tensorboard.dev/experiment/Zf4nSlVGSvyxgnxmg49c7A/#graphs&run=fit%2F20221228-201825%2Ftrain

Este es el link de mi proyecto

Project

Código para publicar el TensorFlow:

!tensorboard dev upload --logdir “/content/ssd_mobilenet” --name “Proyecto de detección de carros y motos” --description “Usando Tensoflow” --one_shot

Link:
https://tensorboard.dev/experiment/BcbouRzzTlSylkV8KMIG0w/#scalars

Que buen cursoo, me siento entusiasmado por hacer más proyectos así

Proyecto de Lenguaje de Señas

Comparto el link de los resultado del entrenamiento

La verdad es que si muy buenos cursos que se avientan estos masters!