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.
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. Aprovecha el precio especial.
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
14 Días
3 Hrs
53 Min
50 Seg
Análisis y publicación de resultados del entrenamiento
26/28Recursos
Nuestra configuración de TensorBoard está lista, ahora solo debemos usarla con las herramientas de TensorFlow.
Usando TensorBoard
Usaremos los comandos mágicos de IPython para cargar TensorBoard. Una vez cargado, le indicaremos el directorio del que debe extraer los resultados para analizarlos.
```python %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.
python
!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.
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:
Para Diciembre de 2023 tensorboard.dev cerrara oficialmente, y el comando tensorboard dev tambien dejara de funcionar , tensorboard seguira funcionando en local pero ya no habra web para compartir los resultados.
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
Más cursitos de redes neuronales para el 2024 2025 por favorcito, Adonai eres un crak
Análisis y publicación de resultados del entrenamiento
Recopilar Métricas Relevantes:
- Durante el entrenamiento de tu modelo, asegúrate de registrar y recopilar métricas relevantes como la pérdida (loss), la precisión (accuracy), la precisión por clase, la precisión del modelo en un conjunto de datos de validación, etc.
Utilizar TensorBoard para Visualización
- Utiliza TensorBoard para visualizar tus métricas de entrenamiento. Puedes usar las funciones de resumen que mencionamos antes para registrar las métricas y luego visualizarlas en TensorBoard.
Ejecuta TensorBoard con el comando tensorboard --logdir=path_to_logs y accede a la interfaz web para ver tus métricas y gráficos.
Analizar las Tendencias de las Métricas
- Analiza las tendencias de tus métricas a lo largo del tiempo. Busca patrones como convergencia, sobreajuste (overfitting) o underfitting, y cualquier otro comportamiento interesante.
Compara las métricas de entrenamiento y validación para evaluar el rendimiento general del modelo.
Generar Gráficos y Diagramas
- Utiliza herramientas como Matplotlib o Seaborn para generar gráficos y diagramas que ayuden a visualizar y entender mejor tus resultados.
Por ejemplo, puedes crear gráficos de líneas para mostrar la evolución de la pérdida y la precisión a lo largo de las épocas de entrenamiento.
Evaluar el Modelo en Datos de Prueba Independientes
- Después de entrenar tu modelo, evalúalo en un conjunto de datos de prueba independiente para obtener una evaluación objetiva del rendimiento del modelo en datos no vistos.
Calcula métricas como la precisión, la recuperación (recall), la precisión por clase, el área bajo la curva ROC (AUC-ROC), entre otras, dependiendo del tipo de problema que estés abordando.
Documentar y Comunicar Resultados
- Documenta tus resultados de manera clara y concisa. Puedes utilizar herramientas como > > Jupyter Notebook o Markdown para escribir informes detallados que incluyan gráficos, métricas, análisis y conclusiones.
- Comunica tus resultados de manera efectiva, ya sea en presentaciones, informes escritos, o comunicaciones con colegas y colaboradores.
Iterar y Mejorar:- Utiliza los resultados y análisis obtenidos para iterar y mejorar tu modelo. Identifica áreas de mejora, ajusta hiperparámetros, considera cambios en la arquitectura del modelo, entre otros pasos para mejorar el rendimiento.
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
Excelente curso!
Link de Tensorboard: https://tensorboard.dev/experiment/km1SLo41TeOd825NMYC7pA/#scalars
Este es el link de mi proyecto
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
La verdad es que si muy buenos cursos que se avientan estos masters!
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?