Entradas por fecha "Enero 2018"
Pynxeinstein_Completo.png

TENSOR FLOW PARA PRINCIPIANTES (V): Guardar y Recuperar el valor de las variables optimizadas de TensorFlow


En éste  tutorial  seguimos con la  implementación de Redes Neuronales Convolucionales para el reconocimiento de imágenes usando en el Tutorial I. Al igual que en el Tutorial III, implementar redes neuronales usando la API Prettytensor que nos permite usar sintaxis mucho más simple que una implementación directa en TensorFlow native . Pero en esta ocasión,  aprenderemos como guardar el valor de las variables de la red neuronal siempre que su precisión de clasificación durante el entrenamiento  haya mejorado. Luego, aprenderemos  a cargar las variables que obtuvieron mejores resultados en el conjunto de validación.

Leer mas
Presentamos a Pynxo

Presentamos a Pynxo


Este año queremos presentarte a nuestra mascota de APSL, su nombre es Pynxo, se trata de un cactus animado de color verde y pantalones de color amarillo claro, con un nombre que recuerda tanto sus características como la pasión por Python, entorno en el que se ha gestado. La explicación del por qué un cactus y no un plátano, parte de una historia real, un día, un compañero trajo una ...

Leer mas
PynxeinsteinTF

TENSOR FLOW PARA PRINCIPIANTES (IV): Uso de la API Layers


En éste  tutorial se muestra como implementar la Red Neuronal Convolucional para el reconocimiento de imágenes usando en el Tutorial I, pero en éste caso usaremos la API Layeres (tf.layers).  Al igual que en el Tutorial III, implementar redes neuronales usando esta API nos permite usar sintaxis mucho más simple que una implementación directa en TensorFlow. Hace que el código sea mucho más corto y fácil de entender, y por tanto cometer menos errores.

Leer mas
PynxeinsteinTF

TENSOR FLOW PARA PRINCIPIANTES (III): Uso de la librería PrettyTensor


En éste tercer tutorial se muestra como implementar la Red Neuronal Convolucional para el reconocimiento de imágenes usando en el Tutorial I, pero en éste caso usaremos la librería  PrettyTensor.  Implementar redes neuronales usando esta librería nos permite usar sintaxis mucho más simple que una implementación directa en TensorFlow. Hace que el código sea mucho más corto y fácil de entender, y por tanto cometer menos errores.

Leer mas