Scribd
Cargar
209 vistas19 páginas

Tensor Flow&Keras

Este documento presenta a los integrantes de un equipo que estudia TensorFlow, Keras y Deep Learning. Explica brevemente las ventajas de usar grafos en TensorFlow, las características de TensorFlow y Keras, y algunas aplicaciones comunes de estas tecnologías, como reconocimiento de imágenes y voz.

Cargado por

DiegoAsqui
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
209 vistas19 páginas

Tensor Flow&Keras

Este documento presenta a los integrantes de un equipo que estudia TensorFlow, Keras y Deep Learning. Explica brevemente las ventajas de usar grafos en TensorFlow, las características de TensorFlow y Keras, y algunas aplicaciones comunes de estas tecnologías, como reconocimiento de imágenes y voz.

Cargado por

DiegoAsqui
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 19

INTEGRANTES:

ERICK GUALOTUÑA
DANIEL MÉNDEZ
FREDDY QUEZADA
CAMILA ROSERO

NRC: 8940
TensorFlow
Ventajas de usar grafos
● Ahorra recursos computacionales
● Separa la computación en pequeñas partes diferenciables
● Computación distribuida CPU, GPU, TPU
● Muchos modelos de Machine Learning se puede ver como grafos
Machine Learning (Aprendizaje Automático)

Deep Learning (Aprendizaje Profundo)


Características de TensorFlow

● Flexibilidad: probar ideas en tiempos cortos, como redes


neuronales e incluso aprendizaje por refuerzo, entre otros.
● Escalabilidad: los modelos desarrollados pueden ser usados
por millones de usuarios.
● Portabilidad
● Proyectos en Producción
Arquitectura:
Desarrollo Deep Learning

1. Creación del Modelo (función Sequencial)


2. Compilación del Modelo: se define la función de error y
el optimizador que minimizará la función (función
Compile)
3. Entrenamiento del Modelo ( función fit)
4. Predicción: permite usar el modelo ya entrenado para
procesar datos que no existían previamente.
Algunas aplicaciones de TensorFlow

●
●
●
●
Algunas aplicaciones de TensorFlow
Algunas aplicaciones de TensorFlow
Algunas aplicaciones de TensorFlow
¿Qué es Keras?

Keras es una biblioteca de Python minimalista para Deep Learning que puede funcionar sobre
Theano o TensorFlow. Fue desarrollada con el objetivo de que los modelos de Deep Learning
sean tan rápidos y fáciles tanto para la investigación como el desarrollo. Funciona en Python 2.7
o 3.6 y se puede ejecutar sin problemas sobre las GPU y las CPU. Es libre bajo una licencia del
MIT.
Keras fue desarrollado por Francois Chollet, un ingeniero de Google que utiliza cuatro principios
rectores:

Modularidad: Un modelo puede entenderse sólo como una secuencia o como


un gráfico. Todas las características de un modelo de aprendizaje profundo son
componentes discretos que pueden combinarse de manera arbitraria.

Minimalismo: La biblioteca proporciona lo justo para lograr un resultado, sin


florituras y maximizando la legibilidad.

Extensibilidad: Los nuevos componentes son intencionadamente fáciles de


añadir y usar dentro del marco destinado a que los desarrolladores prueben y
exploren nuevas ideas.

Python: No hay modelos separados con formatos personalizados. Todo es


nativo de Python.
Características

Keras contiene varias implementaciones de los bloques constructivos de las redes neuronales como por
ejemplo los layers, funciones objetivo, funciones de activación, optimizadores matemáticos.

Su código está alojado en GitHub y existen foros y un canal de Slack de soporte.

Además del soporte para las redes neuronales estándar, Keras ofrece soporte para las Redes Neuronales
Convolucionales y para las Redes Neuronales Recurrentes.

Keras permite generar modelos de deep learning en teléfonos inteligentes tanto sobre iOS como sobre
Android, sobre una Java Virtual Machine o sobre web.7 También permite el uso de entrenamiento
distribuido de modelos de aprendizaje profundo en clusters de Graphics Processing Units (GPU) y
Tensor processing units (TPU).8

Con la llegada de TensorFlow 2.0, se puede utilizar la API de Keras para definir modelos y ejecutarlos de
forma "eager".9 Con esto se consigue facilitar el desarrollo de modelos, posibilitar la depuración de
modelos utilizando herramientas estándar, y simplificar la definición de modelos dinámicos utilizando
estructuras de control.10
Ejemplo
Compuerta OR, implementando las librerías TensorFlow y Keras
Ejercicio Propuesto

Realizar una compuerta XOR, implementando las


librerías TensorFlow y Keras

Gracias!!!

También podría gustarte