Programación con TensorFlow 2 y Python: Fundamentos y Aplicaciones

Curso Profesional de Redes Neuronales con TensorFlow

Contenido del curso

Cómo utilizar TensorFlow 2.0 con Python

Manejo y preprocesamiento de datos para redes neuronales

Optimización de precisión de modelos

Almacenamiento y carga de modelos

Fundamentos de aprendizaje por transferencia

Resultados de entrenamiento

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:005:37

Programación con TensorFlow 2 y Python: Fundamentos y Aplicaciones

Curso Profesional de Redes Neuronales con TensorFlow

Clase 2 de 28

Clase 2 / 28

Recursos

Elegir el framework adecuado para trabajar con deep learning puede marcar la diferencia entre un proyecto exitoso y uno lleno de fricciones. TensorFlow 2 se posiciona como una de las herramientas más robustas, con la mayor comunidad de soporte a nivel mundial y una curva de aprendizaje mucho más amigable que su versión anterior. A continuación se desglosan los puntos esenciales para entender por qué es una elección sólida y cómo se integra en un ecosistema completo.

¿Por qué TensorFlow 2 entre tantos frameworks de deep learning?

El panorama de frameworks para deep learning es amplio: Caffe, PyTorch, Gluon, CNTK de Microsoft, entre otros. Cada uno ofrece ventajas particulares, pero TensorFlow 2 destaca por tres razones principales [0:22]:

Comunidad masiva: más de 56 000 preguntas en Stack Overflow, más de 109 ML Google Developer Experts y más de 46 TensorFlow User Groups alrededor del mundo [5:10].
Soporte multiplataforma: funciona con Python, JavaScript y C++, lo que permite migrar proyectos entre lenguajes [0:50].
Facilidad de implementación: modelos que antes requerían decenas de líneas ahora se construyen en aproximadamente seis líneas de código [3:08].

Esa combinación de poder y accesibilidad lo convierte en la opción preferida tanto para quienes inician como para equipos que necesitan llevar modelos a producción.

¿Qué significa el nombre TensorFlow?

El nombre revela su lógica interna. Las redes neuronales operan mediante nodos, aristas y grafos [1:52]. Cada nodo representa una operación matemática —desde una regresión hasta una función de activación—. Los datos recorren esas operaciones en forma de tensores, estructuras multidimensionales que transportan la información capa a capa. El flujo (flow) es ese recorrido a través del modelo. Así, tensor + flow = TensorFlow: el flujo de tensores a lo largo de una red neuronal [2:18].

¿Qué cambió entre TensorFlow 1 y TensorFlow 2?

En TensorFlow 1 era necesario declarar variables globales, crear sesiones y limpiarlas cada vez que se generaba un nuevo modelo, lo que hacía el proceso tedioso y propenso a errores [1:15]. TensorFlow 2 introdujo el concepto de eager execution, que permite ejecutar operaciones de forma inmediata sin necesidad de construir grafos estáticos primero [1:35]. Esto hizo que el código fuera mucho más legible y directo.

Para proyectos complejos, TensorFlow 2 no sacrifica potencia: ofrece la API funcional, que permite diseñar arquitecturas de redes neuronales avanzadas con múltiples entradas, salidas y ramificaciones [1:45].

¿Qué papel juega Keras dentro de TensorFlow?

Keras es un framework de alto nivel creado por François Chollet en 2015 mientras trabajaba en Google [3:25]. Fue escrito en Python y su propósito es ocultar la complejidad matemática detrás de las operaciones con tensores, multiplicaciones de matrices y funciones de activación, permitiendo construir modelos con pocas líneas.

Un dato relevante: aunque Keras puede funcionar con otros frameworks, anunció que TensorFlow sería su aliado principal y su fuente de documentación oficial [3:55]. Esto garantiza que las actualizaciones lleguen de forma integrada, como si fueran un único proyecto.

¿Cómo se extiende el ecosistema de TensorFlow más allá del entrenamiento?

TensorFlow no se limita a entrenar modelos. Su ecosistema permite llevarlos a múltiples entornos [4:22]:

TensorFlow Extended (TFX): para desplegar modelos en producción con pipelines completos.
TensorFlow Lite: optimiza modelos para ejecutarse en dispositivos móviles.
TensorFlow JS: permite correr modelos directamente en el navegador.
Integración con hardware: compatible con Arduinos y Jetson Nanos para proyectos de edge computing.
Servicios en la nube: conexión con AI Cloud, AI Platform y generación de APIs.

Esta versatilidad significa que un modelo entrenado en Python puede terminar funcionando en un celular, un servidor web o un microcontrolador sin cambiar de ecosistema.

Si ya trabajas con otro framework o estás comenzando en deep learning, vale la pena explorar la documentación oficial y unirte a comunidades como TensorFlow Colombia, activa para toda Latinoamérica. ¿Con qué framework has trabajado y qué experiencia has tenido? Comparte tu opinión en los comentarios.

Mario Alexander Vargas Celis

Hace 2 años

**TensorFlow 2.0** es una versión renovada de la biblioteca TensorFlow, diseñada para simplificar el desarrollo y la implementación de modelos de aprendizaje automático. Fue lanzado con el objetivo de ser más intuitivo, accesible y fácil de usar. TensorFlow 2.0 se basa en la integración profunda con **Keras**, una API de alto nivel para construir y entrenar modelos, y enfatiza el uso del modo de ejecución **Eager** (evaluación inmediata) para un desarrollo más interactivo y depuración más rápida.

Aquí te doy una introducción a los conceptos clave, los beneficios, y un ejemplo básico de uso de TensorFlow 2.0.

### Principales Características de TensorFlow 2.0

1. **API Keras Integrada**: TensorFlow 2.0 adopta Keras como su API de alto nivel, lo que facilita la creación de modelos de redes neuronales con una sintaxis más limpia y organizada. Esto permite definir modelos de forma secuencial o funcional de manera sencilla.

2. **Eager Execution (Ejecución Ansiosa)**: A diferencia de TensorFlow 1.x, que requería la construcción de gráficos estáticos, TensorFlow 2.0 permite la ejecución inmediata de operaciones. Esto simplifica la depuración, ya que puedes ejecutar y ver los resultados de cada operación en tiempo real.

3. **Autodiferenciación con tf.GradientTape**: TensorFlow 2.0 permite calcular gradientes de manera más intuitiva con tf.GradientTape, un entorno para la diferenciación automática útil para entrenar modelos y calcular derivadas complejas.

4. **Compatibilidad Mejorada con tf.compat**: Aunque hay muchos cambios en TensorFlow 2.0, aún puedes usar código de TensorFlow 1.x gracias al módulo tf.compat, que asegura una transición más sencilla para desarrolladores que migran sus modelos de versiones anteriores.

5. **Modelos Distribuidos y Escalabilidad**: TensorFlow 2.0 facilita el entrenamiento distribuido y la implementación en la nube, permitiendo escalar desde una GPU o CPU a múltiples dispositivos y servidores.

### Ejemplo Práctico con TensorFlow 2.0

A continuación, te muestro cómo construir y entrenar un modelo de red neuronal básico utilizando TensorFlow 2.0 en el conjunto de datos MNIST.

#### Paso 1: Instalación de TensorFlow 2.0

Para asegurarte de que estás utilizando TensorFlow 2.0 o superior, puedes instalarlo con el siguiente comando:


pip install tensorflow

#### Paso 2: Importar TensorFlow y Cargar los Datos

TensorFlow 2.0 incluye muchos conjuntos de datos populares en su API tf.keras.datasets, lo que facilita el acceso a ellos sin tener que descargarlos manualmente.


import tensorflow as tf



\# Cargar el conjunto de datos MNIST (dígitos escritos a mano)

(x\_train, y\_train), (x\_test, y\_test) = tf.keras.datasets.mnist.load\_data()



\# Normalizar los datos de entrada

x\_train, x\_test = x\_train / 255.0, x\_test / 255.0

#### Paso 3: Definir el Modelo

En este caso, utilizaremos la **API secuencial** de Keras para construir una red neuronal densa con capas Dense.


model = tf.keras.Sequential(\[

&#x20;   tf.keras.layers.Flatten(input\_shape=(28, 28)),    # Aplanar la imagen 28x28 en un vector de 784 elementos

&#x20;   tf.keras.layers.Dense(128, activation='relu'),    # Capa oculta con 128 neuronas

&#x20;   tf.keras.layers.Dense(10, activation='softmax')   # Capa de salida con 10 neuronas (una por cada dígito)

])

#### Paso 4: Compilar el Modelo

Al compilar, se especifican el optimizador, la función de pérdida y las métricas de evaluación.


model.compile(

&#x20;   optimizer='adam',

&#x20;   loss='sparse\_categorical\_crossentropy',

&#x20;   metrics=\['accuracy']

)

#### Paso 5: Entrenar el Modelo

Entrenamos el modelo en el conjunto de entrenamiento utilizando el método fit.


model.fit(x\_train, y\_train, epochs=5, validation\_split=0.2)

#### Paso 6: Evaluar el Modelo

Finalmente, evaluamos el rendimiento del modelo en el conjunto de prueba.


test\_loss, test\_accuracy = model.evaluate(x\_test, y\_test)

print(f"Precisión en el conjunto de prueba: {test\_accuracy}")

### Explicación del Ejemplo

- **Capa Flatten**: Convierte la imagen 2D en un vector 1D para que pueda ser procesada por capas densas.

- **Capas Dense**: Estas capas son completamente conectadas, donde cada neurona se conecta con todas las neuronas de la capa anterior.

- **Función de Activación relu**: Agrega no linealidad al modelo, lo que permite aprender patrones complejos.

- **Función de Activación softmax**: En la capa de salida, produce una distribución de probabilidad sobre las clases posibles (0-9 para los dígitos).

### Visualización de los Resultados del Entrenamiento

TensorFlow 2.0 facilita la visualización de métricas como precisión y pérdida durante el entrenamiento. Aquí te muestro cómo hacerlo con matplotlib.


import matplotlib.pyplot as plt



\# Graficar precisión

plt.plot(history.history\['accuracy'], label='Precisión en entrenamiento')

plt.plot(history.history\['val\_accuracy'], label='Precisión en validación')

plt.xlabel('Épocas')

plt.ylabel('Precisión')

plt.legend()

plt.show()



\# Graficar pérdida

plt.plot(history.history\['loss'], label='Pérdida en entrenamiento')

plt.plot(history.history\['val\_loss'], label='Pérdida en validación')

plt.xlabel('Épocas')

plt.ylabel('Pérdida')

plt.legend()

plt.show()

### Beneficios de TensorFlow 2.0

1. **Desarrollo más Rápido**: La ejecución ansiosa facilita la prueba de ideas rápidamente.

2. **Facilidad para Nuevos Usuarios**: La API de Keras en TensorFlow 2.0 es muy intuitiva y fácil de aprender.

3. **Escalabilidad**: TensorFlow 2.0 permite escalar el entrenamiento en múltiples dispositivos y la implementación en la nube.

4. **Versatilidad**: Soporta tanto investigación como producción, siendo una biblioteca completa para construir, entrenar y desplegar modelos.

### Migración de TensorFlow 1.x a 2.0

TensorFlow 2.0 introdujo grandes cambios, pero incluye el módulo tf.compat.v1, que permite ejecutar código escrito en TensorFlow 1.x en la nueva versión. Sin embargo, es recomendable actualizar el código a TensorFlow 2.0 para aprovechar las mejoras.


import tensorflow.compat.v1 as tf

tf.disable\_v2\_behavior()

Esto desactiva las funciones de TensorFlow 2.0, permitiendo ejecutar código de la versión 1.x en la versión 2.x.

### Resumen

TensorFlow 2.0 marca una evolución significativa en la biblioteca, haciéndola más accesible y amigable. Con su ejecución ansiosa, API integrada de Keras y mejor compatibilidad para la producción, TensorFlow 2.0 es una herramienta poderosa tanto para principiantes como para expertos en aprendizaje automático.

Este ejemplo y flujo te ayudarán a empezar a construir modelos de redes neuronales en TensorFlow 2.0. A medida que avances, puedes explorar temas más avanzados como redes convolucionales, redes recurrentes y aprendizaje profundo en TensorFlow.

Cómo utilizar TensorFlow 2.0 con Python

Redes Neuronales y TensorFlow: Crea Modelos de IA desde Cero

Programación con TensorFlow 2 y Python: Fundamentos y Aplicaciones

Manejo y preprocesamiento de datos para redes neuronales

Carga y Procesamiento de Bases de Datos en Inteligencia Artificial

Carga de Bases de Datos JSON desde GCP en Google Colab

Codificación Base64 y Gestión de Imágenes en Google Colab

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

Programación con TensorFlow 2 y Python: Fundamentos y Aplicaciones