Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
Los desarrolladores que buscan agregar aprendizaje automático a sus aplicaciones tienen muchas opciones para elegir cuando se trata de marcos y bibliotecas. TensorFlow y Keras son dos de las opciones más populares para el aprendizaje profundo y, en este artículo, veremos cómo comenzar con ambos.
TensorFlow es una popular plataforma de código abierto para el aprendizaje automático desarrollada por Google. Ofrece una amplia gama de herramientas, bibliotecas y recursos comunitarios que permiten a los desarrolladores crear modelos sofisticados de aprendizaje automático con facilidad.
TensorFlow también tiene un fuerte enfoque en las implementaciones de producción y ofrece una serie de características que facilitan la implementación de modelos de aprendizaje automático en servicios y dispositivos.
Keras es una API de aprendizaje profundo de alto nivel desarrollada con un enfoque en la facilidad de uso y el desarrollo rápido. Está construido sobre TensorFlow y se puede usar para crear modelos sofisticados de aprendizaje automático con un código mínimo.
Keras también es una opción popular para la creación de prototipos y la investigación, ya que ofrece una manera simple y eficiente de construir y experimentar con modelos de aprendizaje profundo.
En esta sección, veremos cómo comenzar con TensorFlow y Keras. Comenzaremos instalando las dependencias requeridas y luego veremos algunos ejemplos de código básicos.
Antes de que podamos comenzar a usar TensorFlow y Keras, debemos instalar las dependencias requeridas. TensorFlow se puede instalar usando pip:
pip install tensorflow
Keras también se puede instalar usando pip:
pip install keras
Ahora que tenemos instalados TensorFlow y Keras, echemos un vistazo a un ejemplo simple. Comenzaremos importando la biblioteca TensorFlow:
import tensorflow as tf
A continuación, crearemos una constante de TensorFlow:
tf.constant('Hello, TensorFlow!')
Este código imprimirá la cadena "¡Hola, TensorFlow!" a la consola
Ahora echemos un vistazo a un ejemplo simple de Keras. Comenzaremos importando la biblioteca de Keras:
import keras
A continuación, crearemos un modelo secuencial de Keras:
model = keras.Sequential()
Este código creará un modelo secuencial de Keras simple. Luego podemos agregar capas al modelo usando el método .add():
model.add(keras.layers.Dense(units=32, input_shape=(784,)))
model.add(keras.layers.Activation('relu'))
model.add(keras.layers.Dense(units=10))
model.add(keras.layers.Activation('softmax'))
Este código agregará una capa densa con 32 neuronas, una capa de activación, una capa densa con 10 neuronas y una capa de activación.
Luego podemos compilar el modelo usando el método .compile():
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
Este código compilará el modelo utilizando la función de pérdida de entropía cruzada categórica, el optimizador de descenso de gradiente estocástico y la métrica de precisión.
Luego podemos ajustar el modelo a los datos usando el método .fit():
model.fit(x_train, y_train,
batch_size=128, epochs=5,
verbose=1,
validation_data=(x_test, y_test))
Este código ajustará el modelo a los datos de entrenamiento durante 5 épocas. El modelo se entrenará usando mini lotes de tamaño 128. El método .fit() también toma un argumento de validación_datos, que se usa para evaluar el modelo durante el entrenamiento.
Luego podemos evaluar el modelo usando el método .evaluate():
score = model.evaluate(x_test, y_test, verbose=0)
Este código evaluará el modelo en los datos de prueba y devolverá la pérdida y la precisión.
En este artículo, echamos un vistazo a cómo comenzar con TensorFlow y Keras. Hemos instalado las dependencias requeridas y miramos algunos ejemplos de código básicos.
Si está interesado en obtener más información sobre TensorFlow y Keras, le recomiendo que consulte los siguientes recursos: