Pasos para el Entrenamiento de un Modelo en TensorFlow

Instalamos los módulos necesarios

pip install tensorflow

pip install numpy (Este módulo permite realizar cálculos con Python, por lo general viene instalado por defecto)

pip install matplotlib

Importar TensorFlow y NumPy

import tensorflow as tf import numpy as np

Definir los datos de entrada

celsius = np.array([-40, -10, 0, 8, 15, 22, 38], dtype=float) fahrenheit= np.array([-40, 14, 32, 46, 59, 72, 100], dtype=float)

Le damos ejemplos a la red neuronal de la conversión de Celsius a Fahrenheit

Crear una Capa en el Modelo

layer = tf.keras.layers.Dense(units=1, input_shape=[1]) model = tf.keras.Sequential([layer])

Creamos una capa en el modelo con Dense lo que conectara una a varias unidades

pero en este caso solo usamos una de entrada y una de salida asi que la dejamos

en 1 y usamos un modelo secuencial.

Compilar el Modelo

model.compile( optimizer=tf.keras.optimizers.Adam(0.1), loss='mean_squared_error' )

Entrenar el modelo

print("Starting training...") history = model.fit(celsius, fahrenheit, epochs=1000, verbose=False) print("Trained model")

Visualizar la pérdida durante el entrenamiento

import matplotlib.pyplot as plt plt.xlabel("# Period") plt.ylabel("Magnitude of loss") plt.plot(history.history["loss"]) plt.show()

Realizar una predicción

print("Let's make a prediction!") result = model.predict([100.0]) print("The result is " + str(result) + " Fahrenheit")

En este caso yo use 100 como entrada a Celsius

Imprimir las variables internas del modelo (pesos y sesgos de la capa)

print("Internal model variables") print(layer.get_weights())