TinyML

Capítulo 18. Depuración

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

Seguramente te encontrarás con algunos errores confusos al integrar el aprendizaje automático en tu producto, integrado o no, y probablemente más pronto que tarde. En este capítulo, tratamos algunos enfoques para comprender lo que ocurre cuando las cosas van mal.

Pérdida de precisión entre la formación y la implementación

Hay muchas formas de que surjan problemas cuando sacas un modelo de aprendizaje automático de un entorno de creación como TensorFlow y lo implementas en una aplicación. Incluso después de haber conseguido que un modelo se construya y funcione sin informar de ningún error, es posible que sigas sin obtener los resultados que esperas en términos de precisión. Esto puede ser muy frustrante porque el paso de inferencia de la red neuronal puede parecer una caja negra, sin visibilidad de lo que está ocurriendo internamente o de lo que está causando algún problema.

Diferencias de preprocesamiento

Un área a la que no se presta mucha atención en la investigación del aprendizaje automático es cómo se convierten las muestras de entrenamiento en una forma sobre la que pueda operar una red neuronal. Si intentas clasificar objetos a partir de imágenes, esas imágenes deben convertirse en tensores, que son matrices multidimensionales de números. Podrías pensar que eso sería sencillo, porque las imágenes ya se almacenan como matrices 2D, ...