Del curso: Domina Python: TensorFlow

TensorFlow playground

Del curso: Domina Python: TensorFlow

Comenzar mi mes de prueba gratis Comprar para mi equipo

TensorFlow playground

“

TensorFlow Playground es una herramienta web interactiva de TensorFlow que permite aprender y entender algunos conceptos de redes neuronales. Con el Playground podemos crear redes neuronales y visualizar su proceso de entrenamiento. Podemos interactuar con el modelo sin necesidad de escribir código. Podemos modificar los datos de entrada, algunos parámetros de la red. También podemos ver el resultado después del entrenamiento y algunas de las métricas que permiten evaluar el modelo. Esta es la interfaz de TensorFlow Playground, no se requiere ninguna instalación adicional para su uso. En esta interfaz encontramos diferentes secciones que debemos conocer antes de empezar con el entrenamiento de un modelo. Los datos. Existen cuatro opciones de datasets para Clasificación y para Regresión tenemos dos. Estos son usados como entradas a la red neuronal para el proceso de entrenamiento. La arquitectura del modelo. En el medio, podemos definir capas y neuronas. Podemos definir la cantidad de capas y la cantidad de neuronas por cada capa. Podemos modificar también Learning rate, función de Activación y Regularización. Por último, la salida del modelo. En la parte derecha, vemos la salida, vemos cómo el modelo predice a partir del entrenamiento. Aquí vemos también las métricas que nos indican si el modelo tuvo o no una buena predicción. Veamos un ejemplo de cómo usar el Playground. Vamos a seleccionar un dataset de Clasificación que sea linealmente separable. Vamos a modificar algunos de los parámetros y configuraciones de la red. Vamos a usar una capa oculta, únicamente con dos neuronas. Para la función de Activación, seleccionamos Lineal. Debajo del dataset, podemos modificar el porcentaje de datos que se usarán en el entrenamiento, el ruido, que, en este caso, es la dispersión de los datos, y el tamaño de los batches de entrenamiento. Vamos a dejarlo tal cual la configuración inicial, 50 % de datos de entrenamiento, sin ruido y con un batch size de 10. Para entrenar la red, presionamos el botón Play. Este inicia el proceso de entrenamiento. Inicia también a correr un contador llamado Epoch. Este indica cuántas veces se pasan los datos al modelo para ser entrenado. Paramos el entrenamiento cuando veamos que el modelo hace una buena clasificación de acuerdo a los datos mostrados en la gráfica. Aquí vemos cómo se separa el gráfico en dos clases y permite clasificar los puntos azules y los puntos naranjas. Si cambiamos el set de datos y dejamos la red tal como está configurada, vamos a ver que el proceso de clasificación no es bueno. Para intentar mejorar el modelo, podemos cambiar la red, creando nuevas capas ocultas, cambiando hiperparámetros e, incluso, cambiando la cantidad de neuronas en cada capa. Esta herramienta la puedes usar para jugar con diferentes sets de datos y configuraciones de la red neuronal para entender de manera visual cómo se entrena un modelo y cómo se encarga este de hacer predicciones.

Contenido