Entrenamiento de Redes Neuronales en Navegadores Web

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

0:0013:49

Entrenamiento de Redes Neuronales en Navegadores Web

Curso de TensorFlow.js

Clase 9 de 21

Clase 9 / 21

Recursos

¿Cómo se visualiza el proceso de entrenamiento en un navegador web?

La visualización del proceso de entrenamiento en un navegador web es una experiencia fascinante que permite observar de cerca cómo se desarrollan las aplicaciones de aprendizaje automático e inteligencia artificial. En esta clase, exploraremos un caso práctico centrado en la programación de una compuerta lógica XOR mediante una red neuronal. La lógica XOR debe devolver verdadero solo cuando una de las entradas es verdadera, pero no ambas.

El enfoque tradicional para programar una puerta lógica XOR en JavaScript implica la creación de una función que acepta dos parámetros y devuelve el resultado dependiendo de sus valores. Resultando en un flujo de control claramente definido donde las reglas de retorno se codifican explícitamente.

¿Cómo implementar una red neuronal para la compuerta XOR?

Con el auge del aprendizaje automático, ahora podemos implementar una red neuronal para resolver el problema de XOR. Para ello:

Definimos el modelo: Este modelo tiene un número definido de neuronas en la capa oculta, una tasa de aprendizaje determinada, y utiliza tensores para procesar los datos de entrada.
Tensores y pesos: Los datos de entrada se convierten en tensores. Además, se introducen tensores de pesos y biases que representan la importancia de cada conexión en la red.
Entrenamiento del modelo: Utilizamos un optimizador de descenso para entrenar la red. Se calcula el costo comparando el resultado actual de la red contra el esperado y se minimiza iterativamente este costo.

¿Qué arroja el entrenamiento inicial de la red?

Al entrenar inicialmente la red neuronal sin ajustes, los valores devueltos pueden ser erráticos; por ejemplo, produciendo distribuciones de probabilidad que no coinciden con los resultados esperados. Este comportamiento refleja un conocimiento inicial rudimentario de la red.

Iteraciones iniciales: En las primeras iteraciones de entrenamiento, los errores tienden a ser significativos, pero se van reduciendo con el progreso del entrenamiento.
Proceso iterativo: Se establecen ciclos donde el error se registra cada cien iteraciones para observar su disminución a medida que avanza el aprendizaje.

¿Cuál es el impacto de ajustar las variables de la red neuronal?

Modificar variables como el número de neuronas en la capa oculta o la tasa de aprendizaje afecta significativamente el rendimiento y precisión del entrenamiento.

Variación de neuronas: Disminuir la cantidad de neuronas en la capa oculta puede ralentizar el aprendizaje o, en casos críticos, hacer que la red nunca aprenda adecuadamente.
Iteraciones adicionales: Añadir más iteraciones puede llevar a una mejora significativa del modelo, reflejándose en resultados más precisos y cercanos a los esperados.

¿Cómo comprobar el rendimiento de la red neuronal tras el entrenamiento?

Después de un entrenamiento extensivo, se verifica que los valores devueltos por la red neuronal se aproximen a los deseados:

Valores finales esperados: Para entradas donde el resultado debía ser cero, la red devuelve valores muy próximos a cero; mientras que para aquellos que deberían ser uno, los resultados son cercanos a la unidad.
Optimización y ajustes: El entrenamiento optimiza continuamente los pesos y biases hasta alinearse con los resultados ideales.

¿Qué hacer si el aprendizaje no es eficaz?

Las simulaciones pueden repetirse reduciendo o aumentando el número de neuronas en la capa oculta y ajustando la tasa de aprendizaje. Experimentos con estos parámetros ilustran cómo la variabilidad en la estructura del modelo impacta la eficacia del aprendizaje.

Este código estará disponible en GitHub para que experimentes y observes cómo diferentes configuraciones pueden influir en los resultados. ¡Continúa explorando y aprendiendo sobre las fascinantes posibilidades de las redes neuronales!

Juan Ventrone

Hace 6 años

No hay alguna manera de saber cuantas neuronas se requieren para X problema ?

Carlos Daniel Pimentel Díaz

Hace 6 años

Hola Juan. Aunque no existe un método preciso para saber el número de neuronas para X problema o el número de neuronas para cada capa, hay una técnica con la que se puede hacer un entrenamiento inicial del modelo que dice que la cantidad de neuronas para la capa de entrada tiene que ser el número más cercano por arriba de la potencia de 2 (2**n), de la multiplicación por dos de la cantidad de entradas. Suena confuso, lo sé. Es mejor con un ejemplo:

Si tienes un set de datos con 30 features (entradas para la red), los pasos para calcular la cantidad de neuronas para la capa de entrada sería:

Multiplicar la cantidad de features por 2: 30 * 2 = 60
Encontrar un número por encima del resultado anterior (60) elevando 2 a un número n. En éste caso el número es: 2**6 = 64

Entonces, para éste ejemplo la cantidad de neuronas, en la capa de entrada, sería de 64.

Ahora, si necesitas agregar más capas (capas ocultas) lo ideal es ir disminuyendo en potencia de 2 la cantidad de neuronas de la siguiente capa. Es decir, para el ejemplo anterior, la cantidad de neuronas de las capas ocultas sería: 64 // 2 = 32.

Recuerda que esto es útil para hacer un primer entrenamiento de la red neuronal, ver cómo se comporta y de ahí ir variando el número de neuronas, hiperparámetros, funciones de activación, etc. Hasta encontrar el resultado ideal.

Fuente: Curso de Redes Neuronales en Keras y Scikit-Learn de la clase Ajuste de redes neuronales: Hiper parámetros en Platzi.

Comentarios (19)19 comentarios

Enmanuel Castillo

Juan David Blanco Vergara

Hace 5 años

Abner Molina

Iván Camilo González Alvarado

Henry Mendiburu Díaz

Sam Rua

esteban meza betancur

Alejandro Santamaria

Israel Yance

Javier Enriquez Sanchez

Pedro Quiñonez Verdugo

María José Medina

Frank Sócrates Valencia Pinto

Gonzalo Mardones

JOSE MANRIQUE

Hace 4 años

Miguel Angel Velazquez Romero

David Sergio Sanchez Garcia

Julio J Yépez

Yusef Gonzalez

Carlos Bustillo

Profesor

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

Entrenamiento de Redes Neuronales en Navegadores Web

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