TensorFlow para principiantes: ¿qué es TensorFlow?

Name: TensorFlow para principiantes: ¿qué es TensorFlow?
Author: Josh Turner

Descubra los fundamentos de TensorFlow y sus aplicaciones de aprendizaje profundo

Preview the first lesson free — get full access to all 3 lessons.

Curso: bajo demanda

Hola, mi nombre es Josh Turner. En estas lecciones, aprenderá sobre los datos de TensorFlow y preprocesamiento, modelos TensorFlow y TensorFlow herramientas profesionales. Comencemos con la primera lección. En esta lección te enseñaré lo necesario bibliotecas para realizar el preprocesamiento de datos. Estableceremos algunas variables y preprocesaremos nuestro propio entrenamiento. conjunto de datos de validación y prueba. Empecemos. Lo primero que necesito que hagas es ir al sitio web. kaggle.com. Una vez que esté allí, puede navegar a la pestaña Conjuntos de datos. y busque el conjunto de datos de clasificación de imágenes de satélite. Una vez que la hayas encontrado, podrás descargar la Imagen Satelital. Conjunto de datos de clasificación en una carpeta local por su cuenta computadora. Ir a la carpeta, y verás que tenemos cuatro clases diferentes de imágenes, nublado, desierto, zona verde y agua. Una vez que haya hecho esto con éxito, abra el editor Python de tu elección. Comenzaremos con los primeros pasos en nuestro preprocesamiento de datos. biblioteca. Lo primero que necesito que hagas es importar lo necesario. bibliotecas. Importaremos NumPy para que podamos ocuparnos de las matemáticas. cálculos y matrices. Importaremos TensorFlow para que podamos usar el completo capacidades. En particular, usaremos TensorFlow .keras. biblioteca de preprocesamiento e importar el Función imageDatasetFromDirectory. Esta será la función que usaremos para hacer nuestro preprocesamiento. Una vez que haya hecho esto exitosamente, escriba esto código, ejecútelo para ver que funciona bien. Muy bien, hasta ahora, todo bien. El siguiente paso en nuestro preprocesamiento de datos es establecer algunos variables. Dondequiera que haya guardado su imageDataset en su directorio, puede copiar el texto en la barra de cookies y configurar el siguientes variables. Establezca una variable llamada directorio y, entre comillas dobles, hágala igual al directorio que copió de la barra de cookies. Como nota al margen, recuerda que tendrás que cambiar la parte trasera. barras a barras diagonales, o Python le dará un error. Después de eso, crearemos una variable llamada tamaño de lote y Utilice un número arbitrario como 32. Después de eso, crearemos otra variable llamada imageSize y use otro número cuadrado arbitrario por 160 por 160. Ejecutemos estas líneas de código para asegurarnos de que todo funcione. bueno. Muy bien, hasta ahora, todo bien. El siguiente paso es utilizar estas variables y este directorio para crear un conjunto de datos de entrenamiento. Para hacer eso, crea una variable llamada tren. y escriba el siguiente código. Establezca el tren igual a imageDataset desde el directorio, la función que importamos anteriormente. Esto tomará como variables, las etiquetas del directorio, que se inferirá del directorio, parámetros aleatorios establecidos en falso para que no mezclemos los conjuntos de prueba y validación. Para este, el reparto de validación será del 20 % de validación. y el 80 % para formación, que será el subconjunto de formación. Usaremos un tamaño de lote de la variable que creamos anteriormente y un tamaño de imagen de la variable que creamos anteriormente. Esto completará el conjunto de datos de entrenamiento. Asegúrese de tener todas las comas correctas en su lugar o obtendrás un error. Ejecute estas líneas de código y veremos el primer paso en pre -procesar nuestro conjunto de datos de imágenes. Una vez que hayas ejecutado estas líneas de código, verás que TensorFlow le dirá que encontró 5,631 archivos que pertenecen a cuatro clases utilizando 4.505 archivos para la formación. Si recibe un error CUDA como este en su máquina, no Preocúpate, es sólo porque no estás aprovechando al máximo de las GPU TensorFlow. Bien, excelente. Ahora, lo bueno es que también podemos hacer lo mismo para el conjunto de validación. Sólo tenemos que cambiar un par de pequeñas cosas. Copie y pegue el código de arriba y rehágalo todo para el conjunto de datos de validación. Una vez que lo hayas copiado y pegado, cambiaremos algunas cosas. para crear un conjunto de datos de validación. Seguiremos utilizando la división de validación del 20 % y cambiaremos el subconjunto de entrenamiento a validación. y cambiaremos el nombre de la variable de tren a validación. Todo lo demás seguirá igual. Bien, sigamos adelante y cambiemos el nombre a validación. Muy bien, lo siguiente que queremos cambiar es el subconjunto. Este no será el subconjunto de entrenamiento, será la validación. subconjunto. Bien, excelente. Hasta ahora, todo bien. Nuevamente vemos que encontramos 5.631 archivos pertenecientes a cuatro clases. 1.126 usos para validación. Qué ¿Qué significa entrenar y validar archivos? Bueno, eso sólo significa que entrenaremos un modelo en el 80 % de los archivos y luego usaremos el 20% restante para crear un conjunto de datos de prueba. El resto de ese conjunto de datos de prueba se llamará conjunto de datos de validación. Usaremos el conjunto de datos de validación para ajustar los parámetros. de nuestro modelo para obtener el mejor ajuste para cualquier uso El caso es para nuestro problema. Bien, ahora creemos el conjunto de datos de prueba. Lo haremos desde el conjunto de datos de validación que creamos. más temprano. Así que veamos cómo funciona. Primero, queremos crear una variable llamada valbatches. Usaremos los datos de TensorFlow. función de cardinalidad experimental. Esto simplemente nos dice cuántos elementos de validación hay en cada lote. Entonces, si tomamos un lote de 32, tal vez ocho de ellos podrían ser a partir de la validación. Se toma una muestra al azar. Dentro de eso, como parámetro, escriba validación. Próximo, Estableceremos una variable llamada conjunto de datos de prueba. Establezca la prueba igual a validation.takevalbatches. Y usaremos el símbolo de doble división en Python. dividido por cinco. Básicamente, eso significa que el 20 % de las validaciones que realizaremos para prueba. Y luego nos saltaremos lo que quede y ese será el nuevo conjunto de validación que usaremos para ajustar los parámetros de nuestro modelo. Ejecute estas líneas de código y asegúrese de que todo salió bien. Genial, hasta ahora todo bien. Gracias por ver. Estén atentos a la próxima lección donde aprenderá sobre Modelos TensorFlow.

Principiante Proveedor : Josh Turner 3 lecciones · 15m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

TensorFlow es una popular biblioteca de software de código abierto para el aprendizaje profundo y se usa ampliamente en aplicaciones de aprendizaje automático. En estas lecciones aprenderá la división de entrenamiento/validación más común y la importancia de mantener un equilibrio entre los dos conjuntos. También descubrirá una de las técnicas de preprocesamiento que TensorFlow proporciona para las imágenes, que es crucial para mejorar la precisión del modelo. Además, explorará el uso de datos aleatorios en el entrenamiento y si es aconsejable combinarlos con una división de validación del entrenamiento.

Luego, se sumergirá en los conceptos básicos de las capas aplanar y densas en TensorFlow. La capa de aplanar remodela los datos de entrada en una matriz de unidimensional, mientras que la capa densa conecta todas las neuronas de la capa anterior a la siguiente. También aprenderá sobre la clase de modelo utilizada para TensorFlow, que es una herramienta fundamental para crear modelos de aprendizaje profundo.

En general, obtendrá información sobre los diferentes tipos de problemas de visión y audio que TensorFlow puede resolver. Descubrirá la importancia del entrenamiento en un conjunto de prueba separado y por qué no es recomendable entrenar con datos de prueba.

Lo que aprenderás

Comprende la división más común de entrenamiento/validación y la importancia de equilibrar los dos conjuntos
Aplica una técnica de preprocesamiento de imágenes de TensorFlow para mejorar la precisión del modelo
Evalúa el uso de datos barajados en el entrenamiento y si se mezcla con una división de entrenamiento/validación
Explora las capas aplanadas y densas en TensorFlow y cómo remodelan y conectan datos
Construye modelos de aprendizaje profundo usando la clase modelo de TensorFlow
Identifica los tipos de problemas de visión y audio que TensorFlow puede resolver

Puntos clave

TensorFlow es una popular biblioteca de software de código abierto para aprendizaje profundo que se usa ampliamente en aplicaciones de aprendizaje automático.
Mantener un equilibrio entre los conjuntos de entrenamiento y validación es importante al dividir datos.
La capa aplanada remoldea los datos de entrada en una matriz unidimensional, mientras que la capa densa conecta todas las neuronas de la capa anterior a la siguiente.
La clase modelo es una herramienta fundamental para construir modelos de aprendizaje profundo en TensorFlow.
El entrenamiento debe hacerse en un conjunto de prueba separado y no es recomendable entrenar en datos de prueba.

Preguntas frecuentes

¿Qué es TensorFlow según este curso?

TensorFlow es una popular biblioteca de software de código abierto para aprendizaje profundo que se usa ampliamente en aplicaciones de aprendizaje automático.

¿Qué temas cubre este curso?

Cubre la división común de entrenamiento/validación, una técnica de preprocesamiento de imágenes de TensorFlow, el uso de datos barajados en el entrenamiento, las capas aplanadas y densas, la clase modelo de TensorFlow y los tipos de problemas de visión y audio que TensorFlow puede resolver.

¿Qué habilidades ganaré con este curso?

Ganarás habilidades en aprendizaje profundo, métodos de aprendizaje profundo, entrenamiento de modelos de aprendizaje automático, TensorFlow, conjuntos de datos de entrenamiento y transferencia de aprendizaje.

¿Qué lecciones se incluyen?

El curso incluye las lecciones Datos de TensorFlow y preprocesamiento de datos, Modelos de TensorFlow y herramientas profesionales.

¿Por qué no debo entrenar con datos de prueba?

El curso explica la importancia de entrenar en un conjunto de prueba separado y por qué no es recomendable entrenar en datos de prueba.