El Proyecto | Sobre nosotros | Contribuir | Donaciones | Licencia

HOME

Introducción

TensorFlow Hub es una biblioteca que permite reutilizar piezas de modelos de aprendizaje automático. Los módulos de TensorFlow Hub son bloques de construcción reutilizables que encapsulan una parte de un modelo de TensorFlow, como una capa de red neuronal preentrenada. Esto facilita la transferencia de aprendizaje y la implementación rápida de modelos complejos.

¿Por qué usar TensorFlow Hub?

Reutilización de Modelos: Permite utilizar modelos preentrenados para tareas específicas, ahorrando tiempo y recursos.
Transferencia de Aprendizaje: Facilita la adaptación de modelos preentrenados a nuevas tareas con menos datos.
Estandarización: Proporciona una forma estandarizada de compartir y utilizar modelos.

Instalación de TensorFlow Hub

Antes de comenzar, asegúrate de tener TensorFlow y TensorFlow Hub instalados. Puedes instalarlos usando pip:

pip install tensorflow tensorflow-hub

Uso Básico de TensorFlow Hub

Cargando un Módulo Preentrenado

Para cargar un módulo preentrenado desde TensorFlow Hub, puedes usar la función hub.KerasLayer. Aquí hay un ejemplo de cómo cargar un modelo de clasificación de imágenes:

import tensorflow as tf
import tensorflow_hub as hub

# URL del módulo preentrenado
module_url = "https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/classification/4"

# Cargar el módulo
model = tf.keras.Sequential([
    hub.KerasLayer(module_url, input_shape=(224, 224, 3))
])

# Resumen del modelo
model.summary()

Explicación del Código

Importaciones: Importamos TensorFlow y TensorFlow Hub.
URL del Módulo: Especificamos la URL del módulo preentrenado que queremos usar.
Cargar el Módulo: Usamos hub.KerasLayer para cargar el módulo y lo añadimos a un modelo secuencial de Keras.
Resumen del Modelo: Mostramos un resumen del modelo para verificar su estructura.

Transferencia de Aprendizaje

La transferencia de aprendizaje implica tomar un modelo preentrenado y adaptarlo a una nueva tarea. Aquí hay un ejemplo de cómo hacerlo:

import tensorflow as tf
import tensorflow_hub as hub
from tensorflow.keras import layers

# URL del módulo preentrenado
module_url = "https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/feature_vector/4"

# Cargar el módulo
feature_extractor_layer = hub.KerasLayer(module_url, input_shape=(224, 224, 3))

# Congelar el módulo
feature_extractor_layer.trainable = False

# Construir el modelo
model = tf.keras.Sequential([
    feature_extractor_layer,
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# Compilar el modelo
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Resumen del modelo
model.summary()

Explicación del Código

URL del Módulo: Especificamos la URL del módulo preentrenado que queremos usar como extractor de características.
Cargar el Módulo: Usamos hub.KerasLayer para cargar el módulo y lo añadimos a un modelo secuencial de Keras.
Congelar el Módulo: Establecemos trainable en False para congelar las capas del módulo preentrenado.
Construir el Modelo: Añadimos capas densas adicionales para adaptar el modelo a nuestra nueva tarea.
Compilar el Modelo: Compilamos el modelo con un optimizador y una función de pérdida adecuados.
Resumen del Modelo: Mostramos un resumen del modelo para verificar su estructura.

Ejercicio Práctico

Ejercicio: Clasificación de Imágenes con Transferencia de Aprendizaje

Objetivo: Utilizar un modelo preentrenado de TensorFlow Hub para clasificar imágenes de un conjunto de datos personalizado.
Conjunto de Datos: Puedes usar el conjunto de datos CIFAR-10 disponible en TensorFlow.

Pasos

Cargar el Conjunto de Datos CIFAR-10:

import tensorflow as tf

# Cargar el conjunto de datos CIFAR-10
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()

# Normalizar las imágenes
train_images, test_images = train_images / 255.0, test_images / 255.0

Construir y Compilar el Modelo:

import tensorflow_hub as hub
from tensorflow.keras import layers

# URL del módulo preentrenado
module_url = "https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/feature_vector/4"

# Cargar el módulo
feature_extractor_layer = hub.KerasLayer(module_url, input_shape=(224, 224, 3))

# Congelar el módulo
feature_extractor_layer.trainable = False

# Construir el modelo
model = tf.keras.Sequential([
    layers.Resizing(224, 224),
    feature_extractor_layer,
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# Compilar el modelo
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Resumen del modelo
model.summary()

Entrenar el Modelo:

# Entrenar el modelo
model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

Evaluar el Modelo:

# Evaluar el modelo
loss, accuracy = model.evaluate(test_images, test_labels)
print(f"Loss: {loss}")
print(f"Accuracy: {accuracy}")

Solución

import tensorflow as tf
import tensorflow_hub as hub
from tensorflow.keras import layers

# Cargar el conjunto de datos CIFAR-10
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()

# Normalizar las imágenes
train_images, test_images = train_images / 255.0, test_images / 255.0

# URL del módulo preentrenado
module_url = "https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/feature_vector/4"

# Cargar el módulo
feature_extractor_layer = hub.KerasLayer(module_url, input_shape=(224, 224, 3))

# Congelar el módulo
feature_extractor_layer.trainable = False

# Construir el modelo
model = tf.keras.Sequential([
    layers.Resizing(224, 224),
    feature_extractor_layer,
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# Compilar el modelo
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Resumen del modelo
model.summary()

# Entrenar el modelo
model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

# Evaluar el modelo
loss, accuracy = model.evaluate(test_images, test_labels)
print(f"Loss: {loss}")
print(f"Accuracy: {accuracy}")

Retroalimentación y Consejos

Errores Comunes:
- Dimensiones de Entrada Incorrectas: Asegúrate de que las dimensiones de entrada del modelo coincidan con las dimensiones esperadas por el módulo preentrenado.
- Normalización de Datos: No olvides normalizar tus datos de entrada para que estén en el rango [0, 1].
Consejos Adicionales:
- Aumentación de Datos: Considera usar técnicas de aumentación de datos para mejorar la generalización de tu modelo.
- Ajuste de Hiperparámetros: Experimenta con diferentes optimizadores, tasas de aprendizaje y arquitecturas de red para obtener mejores resultados.

Conclusión

En esta sección, hemos aprendido a utilizar TensorFlow Hub para cargar módulos preentrenados y aplicar transferencia de aprendizaje. Esto nos permite construir modelos complejos de manera eficiente y con menos datos. En el próximo módulo, exploraremos técnicas avanzadas de TensorFlow para personalizar capas y modelos.

TensorFlow Hub

Introducción

¿Por qué usar TensorFlow Hub?

Instalación de TensorFlow Hub

Uso Básico de TensorFlow Hub

Cargando un Módulo Preentrenado

Explicación del Código

Transferencia de Aprendizaje

Explicación del Código

Ejercicio Práctico

Ejercicio: Clasificación de Imágenes con Transferencia de Aprendizaje

Pasos

Solución

Retroalimentación y Consejos

Conclusión

Curso de TensorFlow

Módulo 1: Introducción a TensorFlow

Módulo 2: Fundamentos de TensorFlow

Módulo 3: Manejo de Datos en TensorFlow

Módulo 4: Construcción de Redes Neuronales

Módulo 5: Redes Neuronales Convolucionales (CNNs)

Módulo 6: Redes Neuronales Recurrentes (RNNs)

Módulo 7: Técnicas Avanzadas de TensorFlow

Módulo 8: TensorFlow para Producción

Módulo 9: TensorFlow Extendido (TFX)

Módulo 10: Temas Especiales