La simplicidad de Keras desde TensorFlow
Desde su lanzamiento TensorFlow me cautivó por su poder, funcionalidad y enfoque abierto como librería para calculo numérico avanzado y desde luego para representar, diseñar e implementar modelos de aprendizaje automático. Pero desde la incorporación de Keras, la flexibilidad y simplicidad para la representación de modelos de aprendizaje profundo es maravillosa.
Desde su definición, Keras es una API de alto nivel para construir y entrenar modelos de aprendizaje profundo. Se utiliza para creación rápida de prototipos, investigación avanzada y por supuesto esto es válido también para producción. Tres ventajas claras nos propone, es fácil de usar, modular, y relativamente fácil de extender.
Si les interesa analizar un ejemplo que es un tanto académico pero es interesante para afianzar la mecánica de operaciones de un red neuronal simple con enfoque sencillo pero representando aprendizaje profundo, les recomiendo este artículo, "Iris species categorization using tf.keras, tf.data and differences between eager mode on and off"
Derivado de este artículo me gustaría concentrar el foco en la definición del modelo desde Keras. Aquí les dejo un video en donde podrán ver en acción esta tarea:
La representación en Keras en muy intuitiva, en este ejemplo presentado estamos definiendo un modelo secuencial de dos capas, en la primera de ellas permite se propone el ingreso de información en una dimensión de 4 elementos con 16 neuronas operativas y luego una segunda capa con una función de activación Softmax para entregar las categorías requeridas propuestas por el caso de uso de la situación modelada.
Luego compilamos el modelo, en donde definimos la función objetivo que está alineada a nuestra definición de diseño, con un optimizador por descenso del gradiente. Todos estos elementos se pueden personalizar de manera muy sencilla dependiendo el objetivo del modelo profundo que se esté diseñando.
Les dejo el link a GitHub donde podrán ver, contribuir y desde luego ejecutar esta actividad:
Espero que disfruten el recorrido por esta experiencia inicial en TensorFlow y Keras.
La simplicidad de Keras desde TensorFlow por Nicolas Bortolotti se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.
Desde su definición, Keras es una API de alto nivel para construir y entrenar modelos de aprendizaje profundo. Se utiliza para creación rápida de prototipos, investigación avanzada y por supuesto esto es válido también para producción. Tres ventajas claras nos propone, es fácil de usar, modular, y relativamente fácil de extender.
❗ si buscan un glosario en español una opción que se ve bien es el propuesto por Google en su iniciativa "Glosario sobre aprendizaje automático"
Si les interesa analizar un ejemplo que es un tanto académico pero es interesante para afianzar la mecánica de operaciones de un red neuronal simple con enfoque sencillo pero representando aprendizaje profundo, les recomiendo este artículo, "Iris species categorization using tf.keras, tf.data and differences between eager mode on and off"
Derivado de este artículo me gustaría concentrar el foco en la definición del modelo desde Keras. Aquí les dejo un video en donde podrán ver en acción esta tarea:
La representación en Keras en muy intuitiva, en este ejemplo presentado estamos definiendo un modelo secuencial de dos capas, en la primera de ellas permite se propone el ingreso de información en una dimensión de 4 elementos con 16 neuronas operativas y luego una segunda capa con una función de activación Softmax para entregar las categorías requeridas propuestas por el caso de uso de la situación modelada.
Luego compilamos el modelo, en donde definimos la función objetivo que está alineada a nuestra definición de diseño, con un optimizador por descenso del gradiente. Todos estos elementos se pueden personalizar de manera muy sencilla dependiendo el objetivo del modelo profundo que se esté diseñando.
Les dejo el link a GitHub donde podrán ver, contribuir y desde luego ejecutar esta actividad:
La simplicidad de Keras desde TensorFlow por Nicolas Bortolotti se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.
Comentarios
Publicar un comentario