Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow, 3ª edición

Capítulo 12. Modelos personalizados y entrenamiento con TensorFlow

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Hasta ahora, sólo hemos utilizado la API de alto nivel de TensorFlow, Keras, pero ya nos ha llevado bastante lejos: hemos construido varias arquitecturas de redes neuronales, incluidas redes de regresión y clasificación, redes anchas y profundas, y redes autonormalizadoras, utilizando todo tipo de técnicas, como la normalización por lotes, el abandono y los programas de velocidad de aprendizaje. De hecho, el 95% de los casos de uso que encontrarás no requerirán nada más que Keras (y tf.data; véase el Capítulo 13). Pero ahora es el momento de profundizar en TensorFlow y echar un vistazo a su API Python de nivel inferior. Esto te resultará útil cuando necesites un control adicional para escribir funciones de pérdida personalizadas, métricas personalizadas, capas, modelos, inicializadores, regularizadores, restricciones de peso y mucho más. Incluso puede que necesites controlar totalmente el propio bucle de entrenamiento; por ejemplo, para aplicar transformaciones o restricciones especiales a los gradientes (más allá de simplemente recortarlos) o para utilizar varios optimizadores para distintas partes de la red. Cubriremos todos estos casos en este capítulo, y también veremos cómo puedes potenciar tus modelos y algoritmos de entrenamiento personalizados utilizando la función de generación automática ...