Redes Neuronales con TFLearn

Los primeros pasos en el mundo de TensorFlow

Transcript

1. Los primeros pasos en el mundo de TensorFlow
2. Antes que nada, qué es TensorFlow? Google define a TensorFlow™ como una librería open source para computación numérica usando gráficas de flujo de datos.
3. Y en español, qué es TensorFlow? Tensorflow nos sirve para construir y entrenar redes neuronales que utilizamos para detectar y descifrar patrones y correlaciones, análogos al aprendizaje y razonamiento usados por los humanos.
4. Cómo funciona TensorFlow? El cerebro humano consiste en billones de neuronas interconectadas por sinapsis. Si "suficientes" sinapsis activan una neurona entonces esa neurona también se activará. A ese proceso le llamamos Pensar.
5. Cómo funciona TensorFlow? Orientado a Deeplearning http://www.junglelightspeed.com/the-fourth-generation- of-machine-learning-adaptive-learning/
6. Deeplearning, en resumen La "Depth" o Profundidad viene de las capas ocultas. https://chatbotslife.com/deep-learning-in-7-lines-of-code-7879a8ef8cfb
7. Deeplearning, en resumen https://www.analyticsvidhya.com/blog/2017/04/comparison-between-deep-learning-machine-learning/
8. Mientras más complejo el problema más compleja la solución
10. Pero primero lo básico, Neuronas https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
11. Neuronas artificiales (Nodos) https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
12. Neuronas artificiales (Nodos) https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
13. Qué es un Tensor y porqué hay un flujo Un "vector" es una lista de valores, una matriz es una lista de vectores (tabla), luego tenemos las listas de tablas (la lista de la lista de la lista), luego tenemos las tablas de tablas y asi... hasta el infinito y más alla. Todos estos son tensores.
14. Qué es un Tensor y porqué hay un flujo https://chatbotslife.com/tensorflow-demystified-80987184faf7
15. Qué es un Tensor y porqué hay un flujo FLOW
16. Entonces en resumen
17. Para entender un poco más
18. Para entender un poco más • http://playground.tensorflow.org
19. Para entender un poco más • https://www.udacity.com/course/deep-learning-- ud730 • https://research.googleblog.com/2016/01/teach- yourself-deep-learning-with.html • https://openwebinars.net/cursos/machine-learning- tensorflow/ • http://jorditorres.org/research- teaching/tensorflow/libro-hello-world-en-tensorflow/
20. TFlearn es un framework o capa de abstracción para facilitarnos el uso de TensorFlow en Python http://tflearn.org/ TFlearn
21. Instalando # sudo pip install tflearn # sudo pip install numpy # sudo pip install tensorflow
22. Toy data (datos para realizar pruebas) Vamos a utilizar un array de 5 bits que será nuestra entrada, de la cual la salida es [0,1] o [1,0] dependiendo en el primer y el ultimo bit. [0,1,1,1,1] -> [0,1] [1,1,1,1,0] -> [0,1] [1,1,1,0,0] -> [0,1] [1,1,0,0,0] -> [0,1] [1,0,0,0,1] -> [1,0] [0,1,1,0,1] -> [0,1] [1,0,0,1,1] -> [1,0]
23. Código: los datos de entrenamiento features = [] features.append([[0, 0, 0, 0, 0], [0,1]]) features.append([[1, 1, 1, 0, 1], [1,0]]) random.shuffle(features) features = np.array(features) train_x = list(features[:,0]) train_y = list(features[:,1])
24. Código: Construyendo la Red Neural red = tflearn.input_data(shape=[None, 5]) red = tflearn.fully_connected(red, 32) red = tflearn.fully_connected(red, 32) red = tflearn.fully_connected(red, 2, activation='softmax') red = tflearn.regression(red) model = tflearn.DNN(red, tensorboard_dir='tflearn_logs') model.fit(train_x, train_y, n_epoch=500, batch_size=16, show_metric=True)
25. Código: Construyendo la Red Neural model.fit(train_x, train_y, n_epoch=500, batch_size=16, show_metric=True)
26. Código: Obteniendo resultados print(model.predict([[0, 0, 0, 0, 1]])) print(model.predict([[1, 1, 1, 0, 0]]))
27. Resultados [[ 0.02393746 0.97606248]] [[ 0.02751286 0.97248715]] https://github.com/valerybriz/simpleTFlearnExample
28. Preguntas / Comentarios @PythonGuatemala @valerybriz