Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
En esta publicación, cubriremos cómo construir un perceptrón multicapa (MLP) con TensorFlow.js y Node.js. Repasaremos los conceptos fundamentales detrás de las redes neuronales y el aprendizaje profundo, y cómo implementarlos usando TensorFlow.js. Al final de esta publicación, podrá crear sus propias redes neuronales y usarlas para resolver problemas del mundo real.
Un perceptrón multicapa (MLP) es un tipo de red neuronal. Las redes neuronales son un tipo de algoritmo de aprendizaje automático que se utilizan para modelar patrones complejos en los datos. Las MLP son un tipo específico de red neuronal que se compone de múltiples capas de neuronas.
La primera capa de un MLP es la capa de entrada, que recibe los datos de entrada. La segunda capa es la capa oculta, que transforma los datos de entrada en una nueva representación. La capa oculta es seguida por la capa de salida, que produce la salida del MLP.
TensorFlow.js es una biblioteca de JavaScript para crear redes neuronales y modelos de aprendizaje automático. Se puede usar tanto en el navegador como en Node.js.
Para usar TensorFlow.js, primero debemos instalarlo. Podemos hacer esto usando el Administrador de paquetes de nodos (NPM):
npm install @tensorflow/tfjs
Una vez instalado TensorFlow.js, podemos importarlo a nuestro proyecto:
const tf = require('@tensorflow/tfjs');
Ahora que tenemos instalado e importado TensorFlow.js, podemos comenzar a construir nuestro MLP.
El primer paso es definir la capa de entrada. Podemos hacer esto usando la función input:
const inputLayer = tf.input({shape: [2]});
La función input toma un objeto como argumento. La propiedad shape de este objeto define la forma de los datos de entrada. En este caso, estamos usando una entrada bidimensional, por lo que la propiedad shape se establece en [2].
A continuación, necesitamos definir la capa oculta. Podemos hacer esto usando la función layers:
const hiddenLayer = tf.layers.dense({
units: 4,
activation: 'sigmoid',
inputShape: [2]
});
La función layers toma un objeto como argumento. La propiedad unidades define el número de neuronas en la capa. La propiedad activación define la función de activación de la capa. En este caso, estamos usando la función de activación sigmoidea. La propiedad inputShape define la forma de los datos de entrada.
Finalmente, necesitamos definir la capa de salida. Podemos hacer esto usando la función layers:
const outputLayer = tf.layers.dense({
units: 1,
activation: 'sigmoid',
inputShape: [4]
});
Al igual que con la capa oculta, la propiedad unidades define el número de neuronas en la capa. La propiedad activación define la función de activación de la capa. En este caso, estamos usando nuevamente la función de activación sigmoidea. La propiedad inputShape define la forma de los datos de entrada.
Ahora que hemos definido las capas de nuestro MLP, necesitamos conectarlas. Podemos hacer esto usando la función secuencial:
const model = tf.sequential();
La función secuencial toma una matriz de capas como argumento. En este caso, estamos pasando nuestra capa de entrada, capa oculta y capa de salida.
Ahora que nuestro modelo está definido, necesitamos compilarlo. Podemos hacer esto usando la función compilar:
model.compile({
optimizer: 'sgd',
loss: 'meanSquaredError'
});
La función compilar toma un objeto como argumento. La propiedad optimizer define el optimizador que se usará para entrenar el modelo. En este caso, estamos utilizando el optimizador de descenso de gradiente estocástico (SGD). La propiedad loss define la función de pérdida que se utilizará para evaluar el modelo. En este caso, estamos usando la función de pérdida del error cuadrático medio (MSE).
Ahora que nuestro modelo está compilado, podemos entrenarlo. Podemos hacer esto usando la función fit:
model.fit(x, y, {
epochs: 100,
batchSize: 32
});
La función fit toma tres argumentos: los datos de entrenamiento (x), los datos objetivo (y) y un objeto que especifica los parámetros de entrenamiento. La propiedad epochs define el número de épocas de entrenamiento. La propiedad batchSize define el número de muestras en cada lote de entrenamiento.
Una vez que el modelo está entrenado, podemos usarlo para hacer predicciones. Podemos hacer esto usando la función predecir:
model.predict(x).print();
La función predecir toma una matriz de datos de entrada (x) y devuelve una matriz de predicciones. La función imprimir imprime las predicciones en la consola.
En esta publicación, cubrimos cómo construir un perceptrón multicapa (MLP) con TensorFlow.js y Node.js. Repasamos los conceptos fundamentales detrás de las redes neuronales y el aprendizaje profundo, y cómo implementarlos usando TensorFlow.js. Al final de esta publicación, debería poder construir sus propias redes neuronales y usarlas para resolver problemas del mundo real.