Aprende a PROGRAMAR una RED NEURONAL - Tensorflow, Keras, Sklearn

Summary

Este vídeo ofrece una introducción a la programación de redes neuronales, explicando cómo funcionan y cómo se pueden implementar desde cero. Seguidamente, presenta varias herramientas y bibliotecas como TensorFlow y Keras que facilitan el proceso, permitiendo construir y entrenar redes neuronales de manera más eficiente. El vídeo también promociona un curso de Inteligencia Artificial de Academy Point y Jay, destacando la importancia de la simplicidad y flexibilidad al elegir las herramientas de programación para el machine learning.

Takeaways

• 🧠 Se discute sobre redes neuronales y cómo funcionan, incluyendo una breve introducción a su programación desde cero.
• 📈 Se menciona la existencia de herramientas que facilitan el uso de algoritmos de deep learning sin requerir un conocimiento profundo de la programación.
• 🔧 Se destaca TensorFlow y PyTorch como herramientas importantes en el campo de la inteligencia artificial.
• 🎓 Se presenta un curso de la 'Academy Punto y' enfocado en inteligencia artificial, con un enfoque en la formación intensiva y la oportunidad de aprender de expertos.
• 💡 Se aborda la idea de que al aumentar la abstracción en las herramientas de programación, se gana simplicidad pero se pierde flexibilidad en el diseño de las arquitecturas.
• 🛠️ Se explica cómo se pueden construir redes neuronales desde los cimientos, implementando cada paso necesario para su funcionamiento, como la propagación hacia adelante y la retropropagación del error.
• 🌐 Se introduce la librería de diferenciación automática y cómo esta puede calcular automáticamente las derivadas parciales necesarias para la optimización de una red neuronal.
• 🔗 Se describe el concepto de 'grafo computacional' en TensorFlow, que representa todas las operaciones que se ejecutan en una red neuronal.
• 🔄 Se detalla el proceso de entrenamiento de una red neuronal en TensorFlow, desde la definición de los parámetros hasta la ejecución del proceso de auto-diferenciación y entrenamiento.
• 📈 Se compara la simplicidad de usar TensorFlow con la flexibilidad de diseñar arquitecturas personalizadas al programar desde cero.
• 🏢 Se habla sobre las diferentes capas de abstracción en el aprendizaje profundo, desde la programación desde cero hasta el uso de interfaces de alto nivel como Keras.

Q & A

¿Qué es una red neuronal y cómo funciona?

Una red neuronal es una estructura de computación inspirada en la red de neuronas del cerebro humano, compuesta de nodos o unidades que simulan las neuronas y conexiones que simulan las sinapsis. Funcionan mediante la propagación y transformación de señales de entrada a través de las capas de la red, con el objetivo de modelar y resolver problemas complejos.

¿Por qué programar una red neuronal desde cero puede ser desafiante?

Programar una red neuronal desde cero es desafiante porque requiere un conocimiento profundo de los procesos matemáticos y algorítmicos subyacentes, como la multiplicación matricial, la propagación del error, y la optimización mediante el descenso del gradiente. Además, cualquier cambio en la arquitectura de la red requiere recalcular manualmente las derivadas y ajustar el código, lo que aumenta la complejidad.

¿Qué herramientas se mencionan en el script para facilitar el aprendizaje y la implementación de redes neuronales?

El script menciona herramientas como TensorFlow y PyTorch, las cuales son bibliotecas de código abierto para el aprendizaje automático y la computación numérica, especialmente diseñadas para facilitar el trabajo con redes neuronales y el aprendizaje profundo.

¿Qué es la Academy Point y qué ofrece en relación con la inteligencia artificial?

La Academy Point es un centro de formación que se dedica específicamente a la inteligencia artificial, con un enfoque en la formación intensiva y práctica. Ofrece bootcamps y cursos que incluyen formación en machine learning y deep learning, y cuenta con graduados que han trabajado para empresas como Google o Microsoft.

¿Cómo se puede beneficiar de las bibliotecas de diferenciación automática en el aprendizaje profundo?

Las bibliotecas de diferenciación automática, como TensorFlow y PyTorch, se encargan de calcular automáticamente las derivadas parciales necesarias para la optimización de las redes neuronales. Esto simplifica enormemente el proceso de diseño y entrenamiento de modelos, ya que se reduce la necesidad de implementar manualmente el cálculo de las derivadas y la programación de la retropropagación.

¿Qué es un 'grafo computacional' en el contexto de las redes neuronales?

Un grafo computacional es una representación de las operaciones que se realizan en una red neuronal, donde cada nodo del grafo puede representar una variable de entrada, una salida o una operación. Este concepto es fundamental para la diferenciación automática, ya que permite a las bibliotecas de aprendizaje automático rastrear y optimizar el flujo de datos y las transformaciones a través de la red.

¿Cómo se abstrae la programación de redes neuronales al utilizar APIs de alto nivel como Keras?

Al utilizar APIs de alto nivel como Keras, la programación de redes neuronales se abstrae允许用户通过组合 diferentes tipos de capas predefinidas, en lugar de definir cada operación individualmente. Esto permite diseñar arquitecturas de red neuronal más rápidamente y de manera más sencilla, con menos código y una mayor facilidad para prototipar y experimentar con diferentes configuraciones.

¿Qué ventajas ofrece el uso de modelos predefinidos en herramientas de machine learning en la nube?

El uso de modelos predefinidos en herramientas de machine learning en la nube ofrece la ventaja de simplificar el proceso de implementación y entrenamiento de modelos, ya que se reduce la necesidad de diseñar arquitecturas de red neuronal desde cero. Además, estos modelos suelen estar optimizados para ejecutarse en infraestructuras escalables y que aprovechan la computación en paralelo y la aceleración por GPU.

¿Cómo se puede personalizar y ajustar una red neuronal utilizando herramientas de alto nivel?

Con herramientas de alto nivel, como las interfaces de Keras o Scikit-learn, se puede personalizar y ajustar una red neuronal ajustando hiperparámetros como el número de neuronas en cada capa, el tipo de función de activación, el optimizador y la tasa de aprendizaje. Estas herramientas suelen proporcionar una interfaz común para la creación, entrenamiento y predicción, facilitando la experimentación con diferentes configuraciones.

¿Cuál es la relación entre la simplicidad de uso y la flexibilidad en el diseño de las herramientas de aprendizaje automático?

A medida que se utilizan herramientas de aprendizaje automático de mayor nivel de abstracción, generalmente se ofrece una simplicidad de uso mayor, pero esto puede ir en detrimento de la flexibilidad en el diseño de las arquitecturas de las redes neuronales. Las herramientas de bajo nivel permiten un mayor control y flexibilidad en la configuración de la red, pero a menudo requieren un conocimiento más profundo y una programación más detallada.

Outlines

00:00

🤖 Introducción a las Redes Neuronales y Herramientas de Aprendizaje Automático

El primer párrafo introduce el tema de las redes neuronales y cómo se han abordado en el canal, destacando la experiencia previa del programador al crear una red neuronal desde cero para resolver un problema de clasificación binaria. Se menciona la existencia de herramientas que facilitan el uso de algoritmos de deep learning, como TensorFlow, y se anuncia el patrocinador del canal, la Academy, una institución especializada en inteligencia artificial con programas de formación intensiva en Barcelona.

05:01

🔍 Construyendo Redes Neuronales con TensorFlow

Este párrafo se enfoca en cómo se pueden construir redes neuronales utilizando la biblioteca TensorFlow. Se explica la creación de una red neuronal a partir de operaciones definidas en un grafo computacional, utilizando placeholders para los datos de entrada y salida. Se detalla el proceso de definición de capas y parámetros, y cómo se implementa la función de activación y el cálculo del error utilizando TensorFlow, facilitando así la diferenciación automática y el entrenamiento de la red neuronal.

10:03

🛠️ Usando Keras para Simplificar la Construcción de Redes Neuronales

El tercer párrafo explora el uso de Keras, una interfaz de alto nivel de TensorFlow, para construir y entrenar redes neuronales de manera más eficiente. Se describe cómo se pueden añadir capas a una red neuronal de forma secuencial y cómo se simplifica el proceso de compilación y entrenamiento del modelo. Se resalta la facilidad de Keras para prototipar rápidamente arquitecturas de deep learning y cómo se puede ajustar la configuración de entrenamiento con una sintaxis compacta.

15:04

🌐 Herramientas de Machine Learning y Modelos Predefinidos

El último párrafo aborda herramientas de alto nivel como Scikit-learn y plataformas de machine learning en la nube, que ofrecen modelos predefinidos para resolver problemas de aprendizaje automático. Se menciona la facilidad de usar estos modelos con una interfaz similar y cómo se pueden ajustar hiperparámetros para adaptarlos a diferentes problemas. El vídeo concluye con una llamada a la suscripción para recibir tutoriales futuros y se promueve la formación en inteligencia artificial a través de la Academy.

Keywords

💡Redes neuronales

Las redes neuronales son una técnica de aprendizaje automático inspirada en la estructura del cerebro humano. Consisten en una red de nodos artificiales que procesan información de manera paralela. En el guion, se menciona que se han hablado mucho sobre redes neuronales, aprendido cómo funcionan y se ha programado una red neuronal desde cero para resolver un problema de clasificación binaria.

💡Diferenciación automática

La diferenciación automática es un concepto clave en el aprendizaje profundo que permite a las máquinas calcular automáticamente las derivadas parciales necesarias para el entrenamiento de modelos, como las redes neuronales. En el video, se destaca cómo las librerías de diferenciación automática, como TensorFlow o PyTorch, facilitan el diseño de arquitecturas neuronales sin la necesidad de calcular manualmente las derivadas.

💡TensorFlow

TensorFlow es una de las herramientas más populares para el aprendizaje profundo desarrollada por Google. Permite construir y entrenar modelos de redes neuronales de manera eficiente. En el guion, se utiliza TensorFlow para implementar una red neuronal y se menciona cómo su uso simplifica el proceso de diferenciación automática y entrenamiento.

💡Función de activación

Las funciones de activación son una parte integral de una red neuronal, determinando cómo se activan los neuronas basándose en la suma ponderada de las entradas. En el video, se menciona la función 'relu' (rectified linear unit) y la función 'sigmoid', que se utiliza en la capa de salida para acotar los valores entre 0 y 1.

💡Backpropagation

La backpropagation, o propagación hacia atrás, es un algoritmo utilizado para entrenar las redes neuronales, permitiendo la retroalimentación del error a través de la red para ajustar los pesos. Aunque no se menciona directamente en el guion, es un concepto fundamental que se entiende implícito en la descripción del proceso de entrenamiento.

💡Deep Learning

El deep learning es una rama del aprendizaje automático que se centra en la creación de redes neuronales profundas, es decir, con múltiples capas de neuronas. Es el tema central del video, donde se discuten diferentes herramientas y técnicas para implementar y entrenar modelos de deep learning.

💡Librerías de alto nivel

Las librerías de alto nivel son herramientas de programación que ofrecen una interfaz simplificada para construir y entrenar modelos de aprendizaje automático. En el guion, se menciona Keras como una interfaz de alto nivel de TensorFlow que simplifica el proceso de diseño y entrenamiento de redes neuronales.

💡Optimización del modelo

La optimización del modelo se refiere al proceso de ajuste de los parámetros de una red neuronal para mejorar su rendimiento. En el video, se discute cómo herramientas como TensorFlow facilitan la optimización mediante la diferenciación automática y el descenso del gradiente.

💡APIs de alto nivel

Las APIs de alto nivel son interfaces de programación que permiten a los desarrolladores interactuar con sistemas complejos de manera sencilla. En el contexto del video, se menciona cómo APIs como Keras o Scikit-learn ofrecen una forma de abstraer la complejidad de las redes neuronales y trabajar con ellas de manera más directa.

💡Hiperparámetros

Los hiperparámetros son valores configurados antes del entrenamiento de un modelo que influyen en su comportamiento y rendimiento. En el guion, se menciona cómo se pueden ajustar hiperparámetros como el número de neuronas, el tipo de optimizador y la tasa de aprendizaje para optimizar el modelo.

Highlights

Se discute la importancia de las herramientas que facilitan la programación de redes neuronales y se mencionan TensorFlow y PyTorch.

Se explica la ventaja de utilizar bibliotecas de diferenciación automática para calcular derivadas parciales.

Se presenta TensorFlow como una herramienta para construir y entrenar redes neuronales de manera más sencilla.

Se describe el concepto de 'grafo computacional' en el contexto de TensorFlow.

Se detalla cómo definir 'placeholders' en TensorFlow para introducir datos en la red neuronal.

Se muestra cómo construir una capa de red neuronal en TensorFlow con una línea de código.

Se abordan las ventajas de la diferenciación automática en el proceso de backpropagación.

Se menciona la posibilidad de modificar la arquitectura de la red neuronal sin tener que reescribir el código completo.

Se introduce Keras como una interfaz de alto nivel de TensorFlow para construir modelos de red neuronal.

Se explica cómo compilar un modelo en Keras antes de entrenarlo.

Se detallan los pasos para entrenar un modelo en Keras utilizando la función 'fit'.

Se discute la simplicidad de usar Scikit-learn para implementar modelos de red neuronal.

Se menciona la evolución de las herramientas de machine learning y cómo se van haciendo más fáciles de usar.

Se habla sobre la importancia de elegir la herramienta correcta en función de la flexibilidad versus simplicidad.

Se anuncia el primer patrocinador del canal, Academy, y se describe su enfoque en la inteligencia artificial.

Se ofrece un descuento exclusivo para los suscriptores del canal en el curso de Academy.

Se invita a los espectadores a suscribirse y activar la notificación para no perderse futuros tutoriales.

Transcripts

redes neuronales pero decenales redes

neuronales como una red neuronal de

neuronales redes neuronales

vale vale vale vale si hemos hablado

muchísimo sobre redes neuronales hemos

aprendido qué es y cómo funcionan

intuitivamente e incluso hace unos meses

programamos desde cero nuestra propia

red neuronal funcional paso a paso en

línea línea implementamos lo que era una

red neuronal sencilla encargada de

resolver un problema de clasificación

binaria pues también sencillo ok genial

pero significa esto que cada vez que

quiera programar una red neuronal

tengo que programarla desde cero pues

como podrás imaginarte no de hecho la

realidad es que es cuentas con numerosas

herramientas que tengan la posibilidad

de sacarle todo el partido a los

algoritmos de deep learning sin costarte

muchos quebraderos de cabeza

herramientas como que eras tensor flow

para aitor y otras tantas deberían de

ser herramientas que has escuchado más

de una vez pero que a lo mejor no tienes

claro que te aporta cada una y que no es

por eso que hoy veremos tres maneras

diferentes de programar a una red

neuronal estás listo perfecto porque

empezamos en nada pero antes quiero que

sepas que si este vídeo te interesa

posiblemente lo que te voy a contar

ahora también te va a interesar porque

hoy tenemos al primer sponsor del canal

academy punto y hay

es el primer butt que han dedicado

específicamente a la inteligencia

artificial en españa' con graduados que

han ido a estudiar a harvard trabajan

para google o microsoft entre otros lo

interesante aquí es que el próximo

bootcamp de ella inter el que se va a

celebrar empieza el 8 de julio en

barcelona con más de 400 horas de

formación intensiva dedicada a la

inteligencia artificial el machín

learning y el díter ning todo esto

durante 10 semanas si ha seguido los

vídeos de este canal ya tienes el nivel

suficiente para poder empezar pues lo

único que vas a necesitar es tener una

buena base de payton este curso te va a

dar todas las herramientas y prácticas

para impulsar sus conocimientos al

siguiente nivel y poder trabajar como

ingeniero o tata sciences además la

buena noticia es que se aplican a través

del siguiente enlace vas a obtener un

descuento del 15 por ciento exclusivo

para los miembros de este canal tienes

toda la información para consultarlo en

la descripción de este vídeo y ahora si

vamos a programar unas cuantas redes

neuronales por donde empezamos

pues como en todo edificio debemos de

empezar a construir por los cimientos

esto es algo muy común dentro del campo

de la informática donde muchas de las

herramientas que utilizamos se

construyen encima de otras herramientas

anteriores vamos aumentando capa por

capa abstrayendo funcionalidades

complejas en herramientas cada vez más

sencillas de utilizar

es decir si trabajamos con deep learning

pues cada nivel que añadimos sumara una

capa de simplicidad en el uso de las

redes neuronales pero que al mismo

tiempo nos restará flexibilidad en el

diseño de las arquitecturas como he

dicho antes en este canal nuestro

comienzo trabajando con redes neuronales

ha sido desde los cimientos

implementando desde cero todos los pasos

que hacen funcionar a una red neuronal

capaz de neuronas que calculan las más

ponderada funciones de activación

propagación de la información hacia

adelante el cálculo del error la

propagación del error hacia detrás

encadenando derivadas con las chin rule

tal y como derivamos en todos los vídeos

de teorías y optimizando los parámetros

usando el descenso del gradiente todo

esto está muy bien explicado paso a paso

en el notebook número 4 que te

recomiendo hacer si todavía no lo has

hecho en el vídeo de hoy este será

nuestro punto de partida si recuerdas el

problema que trabajamos en aquel vídeo

era un problema de clasificación binaria

este de aquí donde teníamos a dos

círculos concéntricos de puntos que

queríamos separar en dos clases

diferentes

si te fijas todo nuestro código

implementado aquí sirve para diseñar una

red neuronal con esta arquitectura de

acá funciona perfecto pero y si quisiera

experimentar con el diseño de la

arquitectura y si quisiera colocar una

conexión que fuera de esta capa de aquí

a esta otra de aquí una conexión pues

claro en nuestro código ya la

propagación hacia adelante habría que

implementarlas nuevo y peor aún el

código del back propagación también y

claro esto significa que tenemos que

volver a papel y boli y recalcular

todas las derivadas parciales que

implementaban al algoritmo de bach

propagación lo cual pues creo que es un

motivo suficiente para dejarlo todo irse

a jugar con la realidad virtual no debe

de haber una forma más sencilla si al

menos existen una forma en la que yo

pudiera definir qué operaciones quiero

que se ejecuten dentro de mi red y que

de manera automática el código fuera

capaz de calcular todas las derivadas

parciales que necesito para hacer el

algoritmo de bach propagación pues

tendría muchos quebraderos de cabeza

resueltos

muy interesante contar con una

herramienta así verdad pues la buena

noticia es que si tomamos el ascensor y

subimos a la planta 1 de nuestro

edificio entraremos en la zona de las

librerías de diferenciación automática

en esta planta nos vamos a encontrar con

diferentes herramientas donde

posiblemente estén short flow y pay

torch sean las librerías de pay son más

representativas de este nivel como su

nombre bien indica las librerías de

diferenciación automática se van a

encargar de la tarea de calcular

automáticamente las derivadas parciales

necesarias para optimizar cualquier

arquitectura que diseñes internamente

para conseguir esta diferenciación

automática estas librerías representan

todas las operaciones que han de

ejecutarse en nuestra arquitectura como

un grafo donde cada nodo puede

representar una variable entrada o una

operación al realizar por ejemplo este

grafo de aquí representaría la

multiplicación de una variable por tres

y la suma de dos a este grafo que hemos

construido se le conoce como grafo

computacional y es la estructura ideal

para iniciar el proceso de

diferenciación automática en nuestro

caso como ejemplo de librería auto

diferenciable nos centraremos en la

versión una defensor flow para ver cómo

podemos implementar a nuestra red

neuronal y así solucionar el mismo

problema de clasificación de la última

vez

puedes parar el vídeo y copiar el

siguiente código que te servirá como

punto de partida para cargar los datos y

visualizar los resultados no tienes

copiado ya white o bueno también puedes

encontrar el código en un notebook que

he preparado abajo en la descripción

ojos porque siento que debería haber

dicho esto antes bueno da igual fíjate

como hemos mencionado antes el punto de

partida de todo código un tensor flow

pasa por definir explícitamente qué

operaciones forman parte de nuestro

grafo computacional es decir cómo los

datos van a ir fluyendo y

transformándose de principio a fin en

tensor flow utilizamos los plays holders

para definir aquellos puntos de entrada

donde nosotros vamos a insertar datos en

nuestra red en este caso las variables y

x e y son 2 play holder que utilizaremos

para introducir nuestros datos de

entrada la matriz x y nuestro vector de

salida la y para ello los definimos

diciendo que el tipo de datos que va a

llegar será de tipo float decimal y

cuáles van a ser sus dimensiones a

partir de este momento ya podemos

empezar a añadir las operaciones que

definirán a nuestra red neuronal ya

sabes que en una red neuronal en cada

capa se produce una suma ponderada que

es equivalente a una multiplicación

matricial después la suma del parámetro

de varias y luego lo pasamos por una

de activación como podría ser la función

reloj por fíjate qué sencillo es hacer

esto con tenso el flow y lo primero que

tenemos que hacer es definir aquellos

parámetros que van a ser optimizados

dentro de nuestra red cosa que el tensor

flow se define como verbo o variable o

bueno con esta línea de código donde

vamos a indicar que sus valores van a

ser inicializa 2 aleatoriamente y que

tendrá estas dimensiones una vez lo

tenemos simplemente tenemos que indicar

que las operaciones de la capa 1 van a

ser la de multiplicar nuestro input y x

con la matriz de parámetros w 1 sumar el

parámetro de vallas b 1 y pasarlo todo

por la función de activación en red

fíjate como en unas pocas líneas de

código ya hemos creado lo equivalente a

una capa de una red neuronal con tensor

flow qué pasa que quieres más capas pues

simplemente tenemos que copiar y pegar

las mismas líneas de código esta de aquí

sería la capa 2 y esta de aquí sería la

capa 3 en este caso como esta capa 3 va

a ser la última capa la capa de salida

le pondremos la función de activación

sigmoide y no la reino para casi el

output queda acotado entre los valores

de 0 y 1 perfecto una vez hemos

terminado de definir la arquitectura a

lo mejor te ves tentados de

bueno pues ya estaría ahora hago un

print de esto de aquí y obtengo el

resultado de las predicciones verdad

pues no exactamente cuando hagas sprint

verás que te sale este mensaje lo que

viene indicar algo así como mira mira yo

sé que esto es un tensor con estas

dimensiones pero todavía no más pasado

datos así que no te puedo decir qué

valor es claro recuerda que aquí sólo

hemos definido el grafo de operaciones

nada más

todavía nos faltaría pasarle los datos e

iniciar el proceso de entrenamiento la

ventaja es que si bien lo que hemos

hecho hasta ahora no se diferencia mucho

del código original de programarlo desde

cero es en el proceso de back pro para

gestión y de diferenciación automática

donde estas librerías nos mostrarán todo

el potencial porque mira una vez tenemos

nuestro tensor de salida las

predicciones que haremos con él pues si

la cuerda lo que tenemos que hacer es

nuestra función de coste por

ejemplo el error cuadrática medio y

comparar nuestras predicciones con el

vector de salida original en este caso

vendrá introducido por el place holder

y con esto evaluaremos los resultados

que queremos conseguir pues utilizar

este error para optimizar a toda la red

es decir que el error se minimice pues

dicho y hecho con esta línea de aquí es

con la que vamos a definir dentro de

nuestro grafo de operaciones que se

produzca este proceso de optimización

utilizando el descenso del gradiente

para minimizar el coste con esto ya

tendremos planteadas todas nuestras

operaciones y sólo nos faltaría

introducir los datos y dejar que tensó

el flow inicia el proceso de auto

diferenciación y entrenamiento algo que

vamos a hacer con las siguientes líneas

de código para ejecutar nuestro grafo

computacional lo primero que tenemos que

hacer es iniciar una sesión una sesión y

con ésta empezaremos a ejecutar ahora sí

las operaciones de nuestro grafo la

primera operación que vamos a ejecutar

es esta de aquí que servirá para

inicializar todos los parámetros que

hemos creado anteriormente todas las

matrices de pesos y vaya esto se hará de

la manera en la que lo hayamos

especificado que en este caso tal y como

hemos definido viene a ser de manera

aleatoria esto es algo así como si

estuviéramos arrancando por primera vez

toda la máquina que hemos creado a

partir de ahí esta es la línea de código

más importante porque es aquí donde

vamos a evaluar por fin aquello que

queremos ejecutar en este caso le

estamos pidiendo

flow que nos calculé estos tensores de

aquí para lo cual necesitaremos insertar

datos a aquellos plays holders que hemos

declarado como punto de entrada en

nuestro grafo estos datos los podemos

inyectar de manera sencilla en esta

misma línea de código con el parámetro

fit dicta es aquí donde pasaremos

nuestra matriz de entrada en nuestro

vector de salida con esto estos tensores

de aquí se van a calcular y como este

tensor es el optimizador que hemos

definido arriba cada vez que se evalúe

nuestra red estará siendo optimizada de

manera automática por tensor flow es

decir estará aprendiendo esta línea nos

devolverá por tanto el resultado del

optimizador que lo descartaremos y el

resultado de la función de coste y el

vector de predicciones tras una

iteración de entrenamiento si dejamos

que esto se repita de manera interactiva

durante un número determinado de veces

el resultado que obtendremos será el

siguiente la red ha aprendido a resolver

nuestro problema de clasificación como

ves el código que hemos escrito bastante

sencillo y no debería de costar t

entender el resto de líneas que en

realidad sólo sirven para obtener

métricas durante el entrenamiento tienen

todo el código comentado en el notebook

que he compartido en la descripción

ventaja de trabajar con tensor flow

dejando aparte la optimización para gpu

la ejecución distribuida la optimización

del código es que si tú ahora quisieras

modificar algún aspecto de la

arquitectura de tu red sólo tendrías que

hacer cambios en la primera parte del

código y el resto del proceso de auto

diferenciación y entrenamiento se

computará automáticamente si te das

cuenta lo que tensor flow nos permite

hacer es construir la arquitectura de

redes neuronales que queramos a nivel de

operaciones es decir que el diseño de

redes neuronales ahora va a ser el de

juntar diferentes operaciones como si

bloques de lego se tratasen cómodo y

para toda la familia qué te parece mola

verdad pues me alegro que te guste

porque vamos a seguir subiendo en el

ascensor de las cosas fáciles y es que

si tensor flow es una herramienta cómoda

pero si te fijas podría serlo más por

ejemplo antes cuando hemos querido

diseñar a nuestra red neuronal para

definir a cada capa de la red

hemos tenido que escribir tres líneas de

código declarando los parámetros de la

capa y cuáles eran cada una de las

operaciones que se producían en ella

algo que se vuelve muy redundante cuando

seguimos añadiendo más capas a nuestra

red

no habría una forma más cómoda de hacer

esto pues en realidad si todas estas

líneas de código las podríamos abstraer

hasta el nivel de capa es decir en vez

de trabajar combinando distintas

operaciones lo que podemos hacer es

combinar diferentes tipos de capas para

conformar así nuestra red neuronal en

realidad en el campo del deep learning

la gran mayoría de arquitecturas pueden

ser construidas a partir de combinar

unos pocos tipos de capas que son

comunes a todas estas arquitecturas

capas público néctar convolución al es

de convolución al es en las el stm

etcétera visto así tiene sentido

plantearse el diseño de redes neuronales

de otra manera desde el punto de vista

de las apis de alto nivel donde

pasaremos a ver a las redes neuronales

como combinaciones de capas un nivel

donde de la rama de tensor flow nos

encontramos con herramientas como care

as que ha pasado a ser la interfaz de

alto nivel de facto de la librería

tensor flow tras ser integrada como uno

de sus módulos de manera muy

simplificada lo que consigue es quieras

es plantear una interfaz sencilla a

nivel de capa de todas las

funcionalidades que nos aportan tensor

flow visto así vamos a ver cómo podemos

resolver el mismo problema de antes pero

utilizando quieras ojo porque esta vez

va a ser más rápido

y es que en que eras comenzamos creando

nuestra red neuronal a nuestro modelo

llamando a la función secuencial que es

una forma de decir la que eras que

queremos crear un modelo conformado por

una secuencia de capas a partir de este

momento ya podemos empezar a añadir

capas y capas a nuestra red neuronal en

este caso las capas full y connected

donde cada neurona tiene una conexión

con la capa anterior son denominadas

capas de densas a las cuales las tenemos

que especificar cuántas neuronas

contiene y qué tipo de función de

activación va a ejecutar una vez tenemos

definida la capa que queremos añadir la

podemos incluir en nuestro modelo

simplemente llamando a la función model

punto at con esto ya que era sabrá qué

operaciones debe de incluir en nuestro

grafo computacional para implementar a

esta capa muy muy sencillo si ahora

quisiéramos continuar añadiendo capas

pues tendríamos que repetir la línea de

código anterior añadimos una segunda

capa y ahora una tercera capa la de

salida una vez estamos satisfecho con el

diseño de nuestra red en que heras el

entrenamiento se vuelve mucho más

sencillo lo primero que tenemos que

hacer es compilar el modelo para así

comunicar al back-end de tensor flow que

estamos listos para entrenar esto lo

hacemos con la función con baile

objeto del modelo y será aquí donde

especificamos qué función de costos

utilizaremos para optimizar y qué

optimizador utilizaremos de manera

complementaria también podemos añadir

otras métricas que serán calculadas y

visualizadas durante el entrenamiento

una vez tenemos el modelo compilado

ahora sólo queda entrenarlo y en este

caso esto se consigue llamando a la

función punto fit será aquí donde le

diremos a que heras cuáles son nuestros

datos de entrada x y nuestros datos de

salida y de igual forma podremos

controlar otros parámetros del proceso

de entrenamiento como el tamaño del bach

o el número de épocas a entrenar cuando

estemos listos lo ejecutamos y veremos

inmediatamente cómo empezará el proceso

de entrenamiento

acaso nos bello comparativamente el

código programado con care us es

muchísimo más compacto y orientado al

prototipado rápido de arquitecturas de

deep learning como veis tal y como

dijimos en un principio entre más alto

subimos en los niveles de abstracción de

estas herramientas mayor es su

simplicidad de uso en detrimento eso sí

de la flexibilidad en el diseño para

ilustrar esto podemos subir un último

nivel en nuestro ascensor donde

pasaremos a tratar a las redes

neuronales desde un punto de vista de

capas a uno

de vista de modelo en este nivel las

cosas se vuelven bastante sencillas la

verdad ya que miramos a las redes

neuronales como un todo como un modelo

cuya arquitectura ya nos dan

predefinidas y que podemos controlar de

manera limitada ajustando unos pocos

hiper paramentos como ejemplo de este

nivel podemos encontrarnos con librerías

como ese calero a piece en plataformas

de machine learning en la nube o

paquetes avanzados en herramientas de

ofimática estas herramientas suelen

ofrecerte un catálogo de modelos desde

los más tradicionales como knn camins

modelos logísticos o lineales hasta

cosas más avanzadas como modelos de

redes neuronales en este nivel es

importante saber qué herramientas ofrece

soporte para gpu si lo que se quiere es

buscar una solución que escale bien con

el volumen de datos para nuestro

problema bastante sencillo s cullen será

suficiente para poder implementar a

nuestra red con una mínima cantidad de

código

aquí podemos usar los modelos dentro del

módulo neural network y elegir al multi

layer per ser transgresor como el modelo

a utilizar en este caso utilizó al

regreso en vez del clasificador para

seguir obteniendo la probabilidad de

pertenencia a una de las clases lo bueno

de seca lerma es que todos los modelos

siguen una interfaz similar

donde primero se crea el objeto del

modelo luego se entrena llamando a la

función punto fit y finalmente se

realizarán predicciones con la función

credit bastante sencillo la dificultad

de aquí reside en la de encontrar

aquellos híper parámetros que mejor se

ajusten a tu problema podemos definir

estos híper parámetros cuando creamos el

objeto del modelo por ejemplo aquí pues

podemos seleccionar el tipo de

optimizador e learning rate inicial el

número de neuronas para cada capa oculta

o la política detrás del número de

interacciones a entrenar cuando esté

listo veremos que estas dos líneas de

código son suficientes para solucionar a

nuestro problema la ventaja de ese caler

como ya he dicho es la sencillez para

probar otros tipos de modelos diferentes

puesto que sólo requeriría cambiar esta

línea de código por el modelo que

queramos al mantenerse igual la interfaz

del resto de funciones con este último

ejemplo espero que haya quedado clara mi

intención con este vídeo que es la de

mostrar el gradiente de herramientas con

las que contamos en el campo del match

in learning si nos movemos en el eje de

simplicidad versus flexibilidad hay que

comentar que este gradiente de

herramientas cada vez se vuelve más

difuso con la evolución de cada una de

estas librerías al combinarse por

ejemplo tensor flow con care as o cuando

herramientas como python se añaden

más funciones de alto nivel igualmente a

nivel horizontal las diferencias entre

herramientas tan importantes como tensor

flow o pai torch se van igualando cuando

bueno tensor flow se inspira en su nueva

versión en algunas de las bondades que

ofrece pay torch pero bueno esto ya lo

dejaremos para otro vídeo en nuestro

caso quiero que este vídeo sirva como

punto de partida para los próximos ya

notebooks que llegarán al canal donde

nos moveremos entre la planta 1 y 2 de

nuestro edificio trabajando con tensor

flow y quieras si quieres estar alerta

de estos tutoriales te recomiendo

suscribirte y darle a la campana si aún

no lo has hecho y si de verdad te

interesa el mundo del ma jin learning y

quieres profesionalizarte en este sector

no dejes de consultar la información de

los cursos de academy punto y jay y

beneficiarte así del descuento dado a

los suscriptores de este canal tenéis

toda la información en la descripción

por mi parte nada más adiós

[Música]