Corriendo modelos

Clase 24 de 28 • Curso de Introducción al Deep Learning 2018

Contenido del curso

Introducción a la Inteligencia Artificial

Proyecto práctico

4
Un problema aun no resuelto: La computación afectiva (affective computing)
07:02 min

Sesión interactiva: Configurar tu ambiente de trabajo

Conceptos básicos

Algoritmos de Deep Learning y Redes Neuronales

Comentarios

Luis Gerardo Hernández Pintor

student•

me equivoque, aquí es donde dices, hornear galletas es fácil, solo hace falta los ingredientes y hacer galletas

JOSE DANIEL HERNANDEZ BETANCUR

student•

Hola Omar,

Quería preguntar 2 cosas:

Cuando se tienen datos que pueden pertenecer a más de una categoría, he leído que no se usa softmax. En ese caso qué recomiendas usar?.
Si tienes bases de datos recolectadas cada año para un mismo problema, usarías LSTM para clasificación?.

Saludos,

Hecot Pulido

student•

Puedo responder tu primera pregunta

Es algo así, entran los datos al modelo, pero no salen directamente, si no que se van a otros modelos, una por cada clasificación, por ejemplo si quieres categorizar un tipo de prenda de vestir pero también el material de esa prenda tienes dos clasificadores, uno con las prendas y otro con el material

Usuario anónimo

user•

Todas las clases fueron mas entendibles, esta se logro entender pero no con la misma precisión de las anteriores.

Juan Lopez

student•

Hola, una vez que ya fue entrenada la red, ¿cómo podemos correr el modelo optimizado? ¿alguien sabe qué sucede al terminar la sesión de TF? ¿se pierde el todo lo entrenado?

Luis Gerardo Hernández Pintor

student•

lo que falto explicar, es que los pesos y en general el modelo se tiene que guardar en disco, si no, efectivamente al terminar la sesión se pierde todo lo entrenado. tensorflow tiene funciones que sirven tanto para guardar como para cargar "checkpoints" ( el estado de tu modelo en un momento dado). para usarlo solo seria cargar ese estado y darle nuevos datos

Usuario anónimo

user•

Básicamente excelente!

Usuario anónimo

user•

Excelente

Wilson Fernando Antury Torres

student•

El modelo MLP tienda a sufrir de overfitting, el modelo LSTM tiende a tener un resultado similar entre la precisión de entrenamiento y la de validación.

Usuario anónimo

user•

Usuario anónimo

user•

ok se corre el modelo y?? por qué no poner el ejemplo en el cual el usuario ingrese un texto como input y el output sea un emoji? es decir ver datos de entrenamiento, loss etc no es para nada interesante

Usuario anónimo

user•

Esto es muy importante, el loss y la precisión son unos de los valores que permiten conocer si el modelo esta aprendiendo o no, y a partir de estos detectar si el modelo puede tener algún problema, personalmente considero, que no sirve de mucho poner a correr un modelo cuando no se sabe si realmente esta arrojando la salida esperada, una vez se tengan estas métricas ya se puede se pasaría a hacer las predicciones que usted menciona.

Usuario anónimo

user•

Los que tuvieron problemas al ejecutar el modelo, les acá la solución de los problemas que tuve y el repositorio donde está el código completo que use

el primer problema fue:

AttributeError: module 'tensorflow' has no attribute '<cualquier_modulo>'

lo arregle migrando el

import tensorflow as tf

import tensorflow.compact.v1 as tf

el segundo error fue:

RuntimeError: tf.placeholder() is not compatible with eager execution.

lo solucione agregando la siguiente línea en run_model.py antes de ejecutar el modelo en el método run()

tfv1.disable_eager_execution()

también migre en los modelos la función

softmax_cross_entropy_with_logits()

softmax_cross_entropy_with_logits_v2()

para así evitar warnings

Alejandro Martínez Valencia

student•

Yo creo que es necesario un curso especializado en TensorFlow, es demasiado verboso comparado a Keras o Pytorch.

Gerardo Rodriguez Sanchez

student•

este es sin duda alguna el peor curso de platzi que eh visto hasta ahora, si lo hubiera tomado antes aprender redes neuronales, muy probablemente me habria desanimado muchisimo. si a alguien le pasa que sepan que no son ustedes, este hombre no sabe explicar, nisiquiera se si entiende que esta haciendo o solo esta leyendo un libreto, porque sus explicaciones de verdad que no tienen sentido

Corriendo modelos

Introducción a la Inteligencia Artificial

Todo lo que aprenderás sobre Deep Learning

¿Qué es la Inteligencia Artificial (IA), Machine Learning y Deep Learning?

Objetivo del curso

Proyecto práctico

Un problema aun no resuelto: La computación afectiva (affective computing)

Sesión interactiva: Configurar tu ambiente de trabajo

Configura tu ambiente de trabajo

Resumen

Conceptos básicos

¿Qué es una neurona?

¿Qué es una red neuronal?

Función softmax(z)

¿Cómo aprende una red neuronal?

Navegando la superficie de error con gradientes

Un Ejemplo Concreto: Aprendiendo la Función XOR

Recapitulación

Proyecto: Diccionario en español

Algoritmos de Deep Learning y Redes Neuronales

Modelo #1: Logistic Classifier

Sesión interactiva: Implementación de Logistic Classifier valores de entrada

Sesión interactiva: Implementación de Logistic Classifier arquitectura

Modelo #2: Multi Layer Perceptron (MLP)

Sesión interactiva: Implementación de MLP ingresando datos

Sesión interactiva: Implementación de MLP a nivel de arquitectura

Modelo #3: Long-Short Term Memory (LSTM)

Sesión interactiva: Implementación de LSTM definiendo entradas

Sesión interactiva: Implementación de LSTM arquitectura y optimización

Corriendo modelos

Recapitulando

Evaluando un modelo

Precisión, Accuracy, Recall, y F1 Confussion Matrix

Conclusiones del curso

A gran poder, gran responsabilidad: Ética e Inteligencia Artificial

Contenido Bonus

El Algoritmo Maestro