Curso Tensor Flow

Curso Tensor Flow.

9) Bases de cómo funciona tensor Flow.

Como funciona tensor Flow.

Loa algoritmos de tensorflow se estructuran en dos faces

• Importación o generación del conjunto de datos ( Dataset ) obtener datos es bueno probar datos generados para saber qué es lo que espero del algoritmo o que tenía que dar porque si no no sabre si los datos son correctos o no.
• Transformación o normalización de datos para aplicar algoritmos tensor Flow espera datos normalizados cambiados de escala o con distribución normal.
• Dividir el conjunto de datos en entrenamiento, validación y test algunos no requieren test, es importante que el algoritmo no se centre en aprender datos de los elementos, sino que tenga una visión de los mismos por ello muchas veces utilizaremos un 80% de entrenamiento y otro 20% para test para saber si saco información global para saber si funciona bien con datos que se entrenaros y con datos que no se entrenaron
• Definir los hiper parametros del algoritmo(Radio de aprendizaje,# de Iteraciones u otros parámetros fijos) inicializar estos valores grandes y luego ir acomodando-----------Learning_rate = 0.01   Tamaño de la muestra para que el algoritmo repita batch_size = 50 y el numero de iteraciones Iterations = 1000 definir los hiper parámetros es importante.

Bach Global Normalizacion: Se encarga de la etapa de transformación. www.aoneapps.com

Import tensorflow as tf

#Inicializar variables y placeholder que variables y con que formato debe operar en el #algoritmo mas bites mas tiempo

Tensor Flow depende de conocer que varibales y con que formato durante el proceso de optmizacion para reducir el proceso de perdida.. ¿Qué tipo de dato? Float 16,32,64

Python…..

import tensorflow as tf
'''
1) Importacion o generacion de un conjunto de datos
2) Transformacion y normalizacion de datos
3) Dividir el conjunto de datos en conjunto de entrenamiento de validacion y de test
4) Definir los hiper parametros del algoritm
'''
learning_rate = 0.01
batch_size = 50
iterations = 10000

#inicializar variables y placeholders

#numero constante
x = tf.constant(30)
# 5) definir placeholder para un tipo de variable
x_input = tf.placeholder(tf.float32,[None,3])
y_input = tf.placeholder(tf.float32,[None,5])

# 6) Definir la estructura del modelo de algoritmo example Y = mx+n
y_pred = tf.add(tf.multiply(Matriz,x_input),n_vector)

# 7) declara la funcion de perdida (loss function)
#como se han alejado la predicciones del valor real que queriamos predecir..
#error cuadrado medio, Media de los errores.

#reduce la media square cuadrado
loss = tf.reduce_mean(tf.square(Y_actual-y_pred))

# 8) Inicializar y entrenar el modelo anterior.
#inicializar una sesion de forma obligatoria para que el algoritmo inicii con tensor flow
with tf.Session(graph = graph) as session:
   .......
   session.run(....)
   .......

#Otra forma

session = tf.Session(graph = graph)
...
session.run(...)
...

# 9) Evaluacion del modelo
# el modelo ha predecido sobre los datos obtenidos
# es importante que el algoritmo aprenda una receta general
# es decir que no aprenda cosas concretas que funcione con muchos valores

# 10) Ajustar los hiper parametros volver a evaluar
# y verificar

# 10) Publicar (subir a produccion) y predecir nuevos resultados

10) Formas de definir tensores.

Los tensores son la fuente principal de la estructura de datos que utiliza tensor Flow se suele declarar como variables o como placeholders… un tensor es una estructura n dimencional donde n puede ser 1,2,3,…..n

[pic 1]

Es un tensor unidimensional (vector)

                                        [pic 2]

Este se llama tensor bidimensional (Matrix)

                        [pic 3]

Tensor Flow solo añade datos tras inicializar las variables al algoritmo.

## Tensores fijos

Zero_t = tf.zeros([3,4])

 Función de relleanado de ceros

#Tensor relleno con 1997
filled_t = tf.fill([4,5,2],1997)
print(filled_t)

#un tensor a partir de un solo numero
cte_t = tf.constant([1,2,3,4,5])
print(cte_t)

#Tensor por tamaño

#Tensor de tamaño similar
#se crea un tensor con diferentes tamaños pero
#con diferentes valores
zero_sim = tf.zeros_like(cte_t)

Este ultimo deveria cte_t inicializado inicialmente

#Tensor por secuencia. Serie de intervalos definidos

-linspace() de numpy

-range()

Secuencia en forma de tensor

#num es diviciones donde inicia, donde pare, numero de diviciones que se quieren.
sec_t = tf.linspace(start=0.0,stop=1.0,num = 5)
print(sec_t)

[pic 4]

También se puede utilizar la función range

#no tiene en cuenta el valor final
range_seq = tf.range(start=0.0,limit= 15.0,delta = 4.0)
print(range_seq)

[pic 5]

#Tensores aleatorios
#que me de un tensor de 3 filas y 4 columnas de numeros aletorios
#con una distribucion uniforme 0 hasta 1 no oncluye el 1
rand_unif_t = tf.random_uniform([3,4],minval=0,maxval=1)
print(rand_unif_t)

[pic 6]

Distribución normal

Truncar entre dos valores para no tener un dominio de la función infinitio[pic 7]

Las imágenes son tensores de tamaño 3 fila columna y los tres canales Rgb.

...