Redes Neuronales con TFLearn

Los primeros pasos en el mundo de TensorFlow

Transcript

1. Los primeros pasos en el mundo de TensorFlow
   

   View Slide

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.
   

   View Slide

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.
   

   View Slide

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.
   

   View Slide

5. Cómo funciona TensorFlow?
   Orientado a Deeplearning
   http://www.junglelightspeed.com/the-fourth-generation-
   of-machine-learning-adaptive-learning/
   

   View Slide

6. Deeplearning, en resumen
   La "Depth" o Profundidad viene de las capas ocultas.
   https://chatbotslife.com/deep-learning-in-7-lines-of-code-7879a8ef8cfb
   

   View Slide

7. Deeplearning, en resumen
   https://www.analyticsvidhya.com/blog/2017/04/comparison-between-deep-learning-machine-learning/
   

   View Slide

8. Mientras más complejo el problema más
   compleja la solución
   

   View Slide

9. View Slide

10. Pero primero lo básico, Neuronas
    https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
    

    View Slide

11. Neuronas artificiales (Nodos)
    https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
    

    View Slide

12. Neuronas artificiales (Nodos)
    https://pythonprogramming.net/neural-networks-machine-learning-tutorial/
    

    View Slide

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.
    

    View Slide

14. Qué es un Tensor y porqué hay un flujo
    https://chatbotslife.com/tensorflow-demystified-80987184faf7
    

    View Slide

15. Qué es un Tensor y porqué hay un flujo
    FLOW
    

    View Slide

16. Entonces en resumen
    

    View Slide

17. Para entender un poco más
    

    View Slide

18. Para entender un poco más
    • http://playground.tensorflow.org
    

    View Slide

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/
    

    View Slide

20. TFlearn es un framework o capa de abstracción para
    facilitarnos el uso de TensorFlow en Python
    http://tflearn.org/
    TFlearn
    

    View Slide

21. Instalando
    # sudo pip install tflearn
    # sudo pip install numpy
    # sudo pip install tensorflow
    

    View Slide

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]
    

    View Slide

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])
    

    View Slide

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)
    

    View Slide

25. Código: Construyendo la Red Neural
    model.fit(train_x, train_y, n_epoch=500, batch_size=16, show_metric=True)
    

    View Slide

26. Código: Obteniendo resultados
    print(model.predict([[0, 0, 0, 0, 1]]))
    print(model.predict([[1, 1, 1, 0, 0]]))
    

    View Slide

27. Resultados
    [[ 0.02393746 0.97606248]]
    [[ 0.02751286 0.97248715]]
    https://github.com/valerybriz/simpleTFlearnExample
    

    View Slide

28. Preguntas / Comentarios
    @PythonGuatemala
    @valerybriz
    

    View Slide