TensorFlow para principiantes: aprendizaje por transferencia

Name: TensorFlow para principiantes: aprendizaje por transferencia
Author: Josh Turner

Aprenda a mejorar el rendimiento de los modelos de aprendizaje automático mediante el aprendizaje por transferencia y los modelos previamente entrenados

Preview the first lesson free — get full access to all 4 lessons.

Solicitar una demo Iniciar sesión

Curso: bajo demanda

Hola, mi nombre es Josh Turner. En estas lecciones, aprenderá sobre el aprendizaje por transferencia. Construirás tu propio modelo de aprendizaje por transferencia. Entrenarás y compilarás tu modelo y lo probarás en alguna prueba. datos. Finalmente, aprenderá cómo validar y ajustar su modelo para obtener mejores predicciones y resultados. Empecemos. En esta lección, aprenderá sobre el aprendizaje por transferencia y Construya su propio modelo de aprendizaje por transferencia. Describiremos el aprendizaje por transferencia y luego importaremos el bibliotecas necesarias y el conjunto de datos para construir el nuestro modelo de transferencia de aprendizaje. Lo primero que debemos hacer es describir el aprendizaje por transferencia. El aprendizaje por transferencia es la transferencia intencional de información o conocimiento de una entidad a otra. En el aprendizaje automático, eso significa usar la información o conocimiento aprendido de un modelo para construir otro modelo. Veamos cómo se hace esto. Para comenzar en TensorFlow, debemos importar lo necesario bibliotecas. Importemos TensorFlow como tf. Además, desde TensorFlow, necesitamos importar las keras. biblioteca. Y luego, desde keras, necesitamos importar la biblioteca de capas. Bueno. Continúe, escriba y ejecute estas líneas de código para asegurarse todo funciona bien en su máquina local. Muy bien, hasta ahora, todo bien. El siguiente paso para nosotros es importar un conjunto de datos. Importaremos el conjunto de datos fashion-menis, que se compone de Muchas imágenes de diferentes tipos de ropa. Para hacer eso, establezca cuatro variables, a, b, u y v iguales a keras. conjuntos de datos.fashion-menist.load-data. Además, estableceremos una variable de forma de entrada de 224,224,3. Esta es la forma del parámetro de entrada para el aprendizaje por transferencia. modelo que construiremos en unos minutos. Continúe y ejecute estas líneas de código. Muy bien, hasta ahora, todo bien. Ahora que tenemos nuestro conjunto de datos de entrada y una forma de entrada, Podemos comenzar a construir nuestro propio modelo de aprendizaje por transferencia. Usaremos el modelo MobileNet V2 en TensorFlow. Este modelo ha sido entrenado en miles de imágenes diferentes. y ha aprendido mucha información sobre las características y representaciones de estas imágenes. Usaremos el conocimiento de este modelo para construir nuestro propio propio clasificador. Por ahora, sin embargo, crearemos nuestro propio aprendizaje por transferencia. modelo utilizando el modelo MobileNet V2. Para hacer esto, escriba el siguiente código. Cree una variable llamada modelo base. Establecer el modelo base igual a tf.keras.applications MobileNet V2. El modelo MobileNet V2 toma algunos parámetros diferentes. La forma de entrada será la forma de entrada que definimos. más temprano. No incluiremos la parte superior porque usaremos pesas. que ya están preimportados desde ImageNet. Así que establezca su top de inclusión igual a falso. Y para los pesos, entre comillas dobles, escriba ImageNet. Una vez que haya escrito estas líneas de código, continúe y ejecútelas. para asegurarse de tener una instancia propia modelo de transferencia de aprendizaje. El paso final para crear nuestro propio aprendizaje por transferencia modelo es congelar las capas del modelo. Eso significa que el modelo ha sido entrenado previamente en algún momento dado. pesas y congeladas para que podamos utilizarlas para nuestros propios fines. Para hacer eso, simplemente necesitamos usar el atributo entrenable para el modelo y lo igualamos a falso. Eso significa escribir base model.trainable igual a falso. Continúe y ejecute esta última línea de código. Y hemos creado nuestro propio modelo de aprendizaje por transferencia. Gracias por ver. Estén atentos a la próxima lección cuando entrenaremos y compilaremos un modelo de aprendizaje por transferencia.

Principiante Proveedor : Josh Turner 4 lecciones · 20m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

El aprendizaje por transferencia es una técnica eficaz en el aprendizaje automático que implica el uso de modelos preentrenados para mejorar el rendimiento de sus propios modelos. En estas lecciones conocerá las diferentes ventajas del aprendizaje por transferencia y cómo usar modelos previamente entrenados para mejorar el rendimiento de sus proyectos de aprendizaje automático.

Empezará explorando las diferentes declaraciones de verdadero/falso relacionadas con el aprendizaje por transferencia, como la necesidad de cambiar la forma de los datos para los modelos previamente entrenados y la importancia de usar la entropía cruzada binaria para problemas de clasificación de dos clases. También aprenderá sobre los modelos de imagen populares que se usan en el aprendizaje por transferencia, como MobileNetV2 y dónde descargar modelos de TensorFlow previamente entrenados.

A continuación, descubrirá los diferentes pasos de preprocesamiento implicados en el aprendizaje por transferencia, como la remodelación y la normalización de datos. También explorará las ventajas del procesamiento por lotes, como la aceleración del modelo y la facilitación del procesamiento de grandes conjuntos de datos.

Aprenderá a utilizar herramientas como conjuntos de datos de validación y matrices de confusión para ajustar su modelo y mejorar su rendimiento. Además, explorará los diferentes parámetros que intervienen en el aprendizaje por transferencia, como el número de épocas para el entrenamiento y la congelación de pesos.

Lo que aprenderás

Comprender el concepto de transferencia de aprendizaje y sus beneficios en el aprendizaje automático
Usar modelos TensorFlow preentrenados como MobileNetV2 para mejorar sus proyectos de aprendizaje automático
Preprocesar datos para modelos preentrenados redimensionándolos y normalizándolos
Construir, compilar y entrenar un modelo de transferencia de aprendizaje
Ajustar su modelo usando conjuntos de datos de validación y matrices de confusión
Probar y validar el ajuste de su modelo en ejemplos

Puntos clave

La transferencia de aprendizaje usa modelos preentrenados para mejorar el desempeño de sus propios modelos de aprendizaje automático.
MobileNetV2 es un modelo de imagen popular usado en la transferencia de aprendizaje, y los modelos TensorFlow preentrenados pueden descargarse para su uso.
El preprocesamiento para la transferencia de aprendizaje incluye redimensionar datos y normalizar datos para que funcione con modelos preentrenados.
El procesamiento por lotes acelera su modelo y facilita el procesamiento de conjuntos de datos grandes.
Los parámetros en la transferencia de aprendizaje incluyen el número de épocas para el entrenamiento y la congelación de pesos.

Preguntas frecuentes

¿Qué aprenderé en este curso?

Aprenderá el concepto de transferencia de aprendizaje y sus beneficios, cómo usar modelos preentrenados como MobileNetV2 para mejorar sus proyectos de aprendizaje automático, cómo preprocesar datos redimensionándolos y normalizándolos, y cómo ajustar su modelo usando conjuntos de datos de validación y matrices de confusión.

¿Qué habilidades cubre este curso?

El curso cubre Aprendizaje Profundo, Entrenamiento de Modelos de Aprendizaje Automático, Aprendizaje Supervisado, TensorFlow, Conjuntos de Datos de Entrenamiento y Transferencia de Aprendizaje.

¿Qué temas se cubren en las lecciones?

Las lecciones cubren construcción de un modelo de transferencia de aprendizaje, compilación y entrenamiento del modelo, prueba del modelo en ejemplos y validación del ajuste del modelo.

¿Qué pasos de preprocesamiento enseña este curso para la transferencia de aprendizaje?

Enseña pasos de preprocesamiento como redimensionar datos y normalizar datos, y explica los beneficios del procesamiento por lotes, incluyendo acelerar su modelo y facilitar el procesamiento de conjuntos de datos grandes.

¿Qué parámetros del modelo se discuten en este curso?

El curso explora parámetros involucrados en la transferencia de aprendizaje, como el número de épocas para el entrenamiento y la congelación de pesos.