Académique Documents
Professionnel Documents
Culture Documents
con TensorFlow
Técnicas
Índice de contenidos
▪ 1. Introducción
▪ 2. Teoría de ML
▪ 3. TensorFlow
▪ 4. Instalando y probando
▪ 5. Ejemplo visual
▪ 6. Ejemplo en Python
▪ 7. Conclusiones
▪ 8. Referencias
1. Introducción
▪ Por otro lado en el fichero “example_data.py” tenemos algunos métodos para facilitar la preparación de los datos para su
uso que crea conjuntos de datos de entrenamiento (TRAIN) y de prueba (TEST) para que la red pueda entrenarse y
autoprobarse durante su etapa de aprendizaje. Divide los datos a su vez en dos. Los de entrada train_x (coordenadas x e y)
y los de salida train_y (color).
▪ Ahora en el fichero “premade_estimator.py” vamos a configurar la red neuronal utilizando un Estimator predefinido. En este
caso DDNClassifier.
6. Ejemplo en Python
▪ Lo primero que tenemos que hacer es preparar los datos de entrada y configurar las columnas de input (features):
▪ Ahora creamos el Estimator de tipo DNNClassifier indicándole que queremos dos capas ocultas con 6 y 4
neuronas, y que la clasificación podrá ser entre 2 valores (naranja o azul).
▪ Ahora vamos a utilizar la red ya entrenada con 4 datos de prueba para ver que resultados arroja:
▪ Si ahora arrancamos el Docker de TensorFlow y ejecutamos el código con “python /notebooks/example/playground-
1/premade_estimator.py obtendremos algo como lo siguiente:
▪ Podemos ver que hemos obtenido un “accuracy” de 0.975 y que parece que funciona
bastante bien con las predicciones solicitadas.
7. Conclusiones
• https://www.tensorflow.org
• https://playground.tensorflow.org