Creación de Modelos con TensorFlow JS usando API de Layers

Contenido del curso

Entender el concepto de Red Neuronal y Aprendizaje Profundo

Conocer qué es TensorFlow y TensorFlow.js

Entender cuáles son los componentes básicos de una Red Neuronal y cómo entrenarla

Entender cual es la forma común de utilizar un modelo de Red Neuronal

Diseñar un modelo de Regresión Lineal

Crear una aplicación en JavaScript que utilice un modelo de clasificación de Imágenes

Conclusión

21
Resumen Final del Curso de TensorFlow JS
06:47 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0011:18

Creación de Modelos con TensorFlow JS usando API de Layers

Curso de TensorFlow.js

Clase 7 de 21

Clase 7 / 21

Recursos

¿Cuáles son los componentes fundamentales de un modelo en TensorFlow JS?

TensorFlow JS es una poderosa herramienta que permite el aprendizaje de máquina y redes neuronales directamente en el navegador. Si estás interesado en incursionar en este fascinante mundo, es vital comprender los componentes fundamentales que constituyen un modelo en TensorFlow JS. Estos son las entradas, las capas y las salidas.

¿Qué papel juegan las entradas en el modelo?

Las entradas son los datos que se proporcionan a la red neuronal para iniciar el proceso de aprendizaje. Pueden ser datos numéricos, imágenes, sonido o cualquier información que el modelo pueda utilizar para aprender a realizar predicciones o clasificaciones.

¿Cómo funcionan las capas en un modelo?

Las capas son el núcleo del modelo de aprendizaje profundo. Contienen las neuronas que transforman las entradas en salidas mediante un aprendizaje progresivo de patrones. Las capas incluyen las capas ocultas, donde se ajustan los parámetros para minimizar errores, y son fundamentales para el proceso de entrenamiento eficaz.

¿Cuál es la función de las salidas?

Las salidas son el resultado final del modelo después del procesamiento de las entradas a través de las capas. La exactitud y precisión de estas salidas determinan el éxito del modelo. Este diseño permite que el modelo tenga "inteligencia" al interpretar los datos nuevos de manera correcta.

¿Cómo crear un modelo con TensorFlow JS?

Para crear un modelo en TensorFlow JS, se disponen de dos principales APIs: la API de layers y la Core API. Ambas ofrecen distintas ventajas y desafíos a los desarrolladores e investigadores en IA.

¿Qué es la API de layers?

La API de layers es una abstracción ideal para principiantes, ya que simplifica el proceso de creación del modelo. Permite construir modelos secuenciales, añadiendo capas de forma sencilla.

Por ejemplo, un modelo con layers comienza con la instancia de sequential:

const modelo = tf.sequential();
modelo.add(tf.layers.dense({units: 32, activation: 'relu', inputShape: [784]}));
modelo.add(tf.layers.dense({units: 10, activation: 'softmax'}));

Aquí, la primera capa utiliza una activación relu y la capa de salida utiliza softmax, crucial para las tareas de clasificación.

¿Qué ventajas ofrece la API de layers?

La API de layers no solo facilita la creación de modelos, sino que también automatiza la creación y la conexión de capas, la inicialización de pesos y la monitorización del entrenamiento. Además, permite la exportación sencilla del modelo para su implementación en otras plataformas.

¿Qué opciones brinda la Core API?

La Core API, más compleja y flexible, permite un acceso detallado y personalizado. Ideal para usuarios avanzados, ofrece la creación manual de métodos de inicialización, serialización y validación.

¿Cómo se valida un modelo en TensorFlow JS?

La validación del modelo es crucial para garantizar su eficacia y exactitud. En TensorFlow JS, la API de layers ayuda a validar automáticamente las conexiones y los parámetros intermedios. Sin embargo, si usas la Core API, la validación podría requerir un esfuerzo manual adicional.

¿Qué son las funciones de activación y por qué son importantes?

Las funciones de activación transforman la suma ponderada de inputs hacia una neurona en una activación (o salida). En TensorFlow JS se utilizan comúnmente dos funciones de activación:

ReLU (rectified linear unit): Facilita la optimización al simplificar las operaciones matemáticas.
Softmax: Genera una distribución de probabilidades, crucial en modelos de clasificación.

Para aplicar estas funciones durante la creación de un modelo:

modelo.add(tf.layers.dense({units: 32, activation: 'relu'}));
modelo.add(tf.layers.dense({units: 10, activation: 'softmax'}));

La elección de la función de activación afecta directamente el rendimiento del modelo y la precisión de sus predicciones.

¿Qué pasos seguir para avanzar en el uso de TensorFlow JS?

Una vez te familiarices con la API de layers, podrás ir explorando el uso de la Core API cuando necesites mayor flexibilidad. Además, identificar qué funciones de activación encajan mejor con tus proyectos es crucial.

TensorFlow JS ofrece una plataforma robusta para el desarrollo de modelos, animándote a seguir explorando y aprendiendo. Con perseverancia y curiosidad, podrás desarrollar aplicaciones de aprendizaje automático innovadoras y efectivas.

Clever Serrano H

Hace 5 años

¿Algún curso que explique esto mejor? Tal vez me estoy adelantado, pero no crea una imagen mental de lo que realiza el código. Copiar por copiar no ayuda mucho

Alberto Perdomo

Hace 5 años

Mira este es el flujo de trabajo de TensorFlow y Keras:

Cuando el habla de layers o capas se refiere a las siguientes:

Dense layer: Tambien llamada capas fully connected
Activation Layer: Agrega las funciones no lineales de activacion, las mas usadas son ReLU y Tanh
Dropout Layer: Son capas que limitan el funcionamiento de ciertas neuronas y se usan para regular la red. Esto evita un sobreajuste del modelo, o dicho de otra forma que no funcione bien en datos diferentes a los de validacion y entrenamiento
Flatten Layer: Esta se usa mucho cuando se manejan matrices, para imagenes o encoders lenguaje natural. Ya que la entrada de toda red neuronal es un vector columna.
Reshape Layer: Es usado mucho en las primeras capas, como buena practica las dimensiones del vector columna de entrada debe ser en potencia dos.

Existen otras capas, que se usan mucho en computer vision y procesmiento del lenguaje natural o analisis secuencial como video o finanzas y estas son:

Convolutional layer
Pooling layer
Recurrent Layer

Ahora en cuanto a las operaciones con el core API, son operaciones matriciales puras. Para entender esto es nesesario que tengas claro la matematica detras del Machine Learning como es:

Teoria de grafos
Algebra lineal
Probabilidad Bayesiana

Los siguientes cursos de Platzi son fundamentales para lograr esto:

Por otra parte esta serie de videos de youtube te pueden ayudar a aclarar varios conceptos de redes neuronales

https://www.youtube.com/watch?v=MRIv2IwFTPg

Entender el concepto de Red Neuronal y Aprendizaje Profundo

TensorFlow JS: Introducción y Creación de Modelos Básicos

Fundamentos de Redes Neuronales y Aprendizaje de Máquina

Aprendizaje Profundo: Redes Neuronales y Back Propagation

Conocer qué es TensorFlow y TensorFlow.js

Introducción a TensorFlow y TensorFlow JS: Creación de Redes Neuronales

Introducción a TensorFlow JS para Aplicaciones Web

Aprendizaje de Máquina en el Navegador con TensorFlow JS

Entender cuáles son los componentes básicos de una Red Neuronal y cómo entrenarla

Creación de Modelos con TensorFlow JS usando API de Layers

Entrenamiento de Modelos con TensorFlow JS y API de Layers

Entrenamiento de Redes Neuronales en Navegadores Web

Almacenamiento y Carga de Modelos en TensorFlow JS

Entender cual es la forma común de utilizar un modelo de Red Neuronal

Optimización de Modelos de Aprendizaje en TensorFlow JS

Utilización de Modelos de Aprendizaje de Máquina: Pasos Clave

Transferencia de Aprendizaje en Modelos Preentrenados

Diseñar un modelo de Regresión Lineal

Programación de Modelos de Regresión Lineal con TensorFlow JS

Regresión Lineal con TensorFlow JS: Creación y Visualización de Modelos

Normalización de Datos para Redes Neuronales con TensorFlow

Guardado y carga de modelos de regresión en HTML y JavaScript

Crear una aplicación en JavaScript que utilice un modelo de clasificación de Imágenes

Diseño de Modelos de Clasificación de Imágenes

Uso de MobileNet y TensorFlow JS para Clasificación de Imágenes

Transferencia de Conocimiento en TensorFlow para Clasificación de Imágenes

Conclusión

Resumen Final del Curso de TensorFlow JS

Creación de Modelos con TensorFlow JS usando API de Layers

Progreso del curso

Entender el concepto de Red Neuronal y Aprendizaje Profundo

Conocer qué es TensorFlow y TensorFlow.js

Entender cuáles son los componentes básicos de una Red Neuronal y cómo entrenarla

Entender cual es la forma común de utilizar un modelo de Red Neuronal

Diseñar un modelo de Regresión Lineal

Crear una aplicación en JavaScript que utilice un modelo de clasificación de Imágenes

Conclusión

Recursos

Recursos