Primera Red Neuronal

Link Repositorio Github

En esta entrada de blog, compartiré mi experiencia al crear mi primera red neuronal utilizando TensorFlow.

La red neuronal que implementé es de prueba, la cual convierte temperaturas de Celsius a Fahrenheit.

A continuación, explicaré en detalle el tipo de red utilizada, su propósito y un desglose de cada parte del código.

¿Qué es una Red Neuronal?

Una red neuronal es un modelo de aprendizaje automático inspirado en el cerebro humano. Está compuesta por capas de nodos (o neuronas) que están conectados entre sí. Estas redes son capaces de aprender y hacer predicciones basadas en datos de entrenamiento.

Tipo de Red Utilizada

Para este ejercicio, he utilizado una red neuronal conectada (o densamente conectada), también conocida como una red neuronal feedforward.

Este tipo de red es uno de los más básicos y se caracteriza por tener capas donde cada neurona está conectada a todas las neuronas de la siguiente capa.

Propósito de la Red

El propósito de esta red neuronal es aprender a convertir temperaturas de Celsius a Fahrenheit. Utilizamos un conjunto de datos de ejemplo para entrenar el modelo y luego realizar predicciones basadas en lo que has aprendido.

Implementación en TensorFlow

import tensorflow as tf
import numpy as np

# Datos de entrenamiento: temperaturas en Celsius y sus equivalentes en Fahrenheit
celsius = np.array([-40, -10, 0, 8, 15, 22, 38], dtype=float)
fahrenheit = np.array([-40, 14, 32, 46, 59, 72, 100], dtype=float)

# Definición de las capas de la red neuronal
oculta1 = tf.keras.layers.Dense(units=3, input_shape=[1])
oculta2 = tf.keras.layers.Dense(units=3)
salida = tf.keras.layers.Dense(units=1)

# Construcción del modelo secuencial
modelo = tf.keras.Sequential([oculta1, oculta2, salida])

# Compilación del modelo con el optimizador y la función de pérdida
modelo.compile(
    optimizer=tf.keras.optimizers.Adam(0.1),
    loss='mean_squared_error'
)

# Entrenamiento del modelo
print("Comenzando entrenamiento del modelo...")
historial = modelo.fit(celsius, fahrenheit, epochs=1000, verbose=False)
print("Modelo entrenado")

# Visualización del proceso de entrenamiento
import matplotlib.pyplot as plt
plt.xlabel("# Epoca")
plt.ylabel("Magnitud de perdida")
plt.plot(historial.history["loss"])
plt.show()

# Realización de una predicción con el modelo entrenado
print("Hagamos una prediccion!")
resultado = modelo.predict([100])
print("El resultado es " + str(resultado) + " fahrenheit")

# Imprimir los pesos de las capas después del entrenamiento
print("Variables internas del modelo")
print(oculta1.get_weights())
print(oculta2.get_weights())
print(salida.get_weights())

Explicación Detallada del Código

Importar Bibliotecas Necesarias

import tensorflow as tf
import numpy as np

Aquí, importamos TensorFlow para construir y entrenar nuestra red neuronal y NumPy para manejar los datos de manera eficiente.

Datos de Entrenamiento

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

Definimos dos arrays de NumPy que contienen las temperaturas en Celsius y sus correspondientes en Fahrenheit.

Definición de las Capas del Modelo

oculta1 = tf.keras.layers.Dense(units=3, input_shape=[1])
oculta2 = tf.keras.layers.Dense(units=3)
salida = tf.keras.layers.Dense(units=1)

Creamos tres capas densas (fully connected layers). La primera capa oculta tiene 3 neuronas y recibe una entrada (la temperatura en Celsius). La segunda capa oculta también tiene 3 neuronas. La capa de salida tiene una neurona que produce la temperatura en Fahrenheit.

Construcción del Modelo

modelo = tf.keras.Sequential([oculta1, oculta2, salida])

Utilizamos tf.keras.Sequential para definir el modelo como una pila lineal de capas.

Compilación del Modelo

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

Compilamos el modelo especificando el optimizador Adam con una tasa de aprendizaje de 0.1 y una función de pérdida de error cuadrático medio.

Entrenamiento del Modelo

print("Comenzando entrenamiento del modelo...")
historial = modelo.fit(celsius, fahrenheit, epochs=1000, verbose=False)
print("Modelo entrenado")

Entrenamos el modelo con los datos de entrenamiento durante 1000 épocas (“vueltas”). Almacenamos el historial del entrenamiento para visualizar la pérdida.

Visualización del Entrenamiento

import matplotlib.pyplot as plt
plt.xlabel("# Epoca")
plt.ylabel("Magnitud de perdida")
plt.plot(historial.history["loss"])
plt.show()

Salida:

Usamos Matplotlib para graficar la magnitud de la pérdida a lo largo de las épocas, lo que ayuda a entender el modelo de mejora con el tiempo.

Realización de una Predicción

print("Hagamos una prediccion!")
resultado = modelo.predict([100])
print("El resultado es " + str(resultado) + " fahrenheit")

Salida:

Hagamos una prediccion!
1/1 [==============================] - 0s 101ms/step
El resultado es [[211.74742]] fahrenheit

Utilizamos el modelo entrenado para predecir la temperatura en Fahrenheit correspondiente a 100 grados Celsius.

Visualización de los Pesos del Modelo

print("Variables internas del modelo")
print(oculta1.get_weights())
print(oculta2.get_weights())
print(salida.get_weights())

Salida:

Variables internas del modelo
[array([[ 0.46807313,  0.10201637, -0.3496878 ]], dtype=float32), array([ 3.317963 , -2.85734  , -3.2782311], dtype=float32)]
[array([[-0.8704237 , -0.67110294,  0.6999068 ],
       [ 0.87758327,  0.09569932,  0.45393893],
       [ 1.3989487 ,  0.42570233,  0.68541443]], dtype=float32), array([-3.2544918, -3.00666  ,  3.1300454], dtype=float32)]
[array([[-1.5702448],
       [-1.0594199],
       [ 0.3759461]], dtype=float32), array([3.1386135], dtype=float32)]

Imprimimos los pesos de las capas desués del entrenamiento para ver cómo el modelo ha ajustado sus parámetros.

Conclusión

En este ejercicio muestra cómo construir y entrenar una red neuronal básica para convertir temperaturas de Celsius a Fahrenheit. Aunque es un ejemplo simple, ilustra los conceptos fundamentales del aprendizaje automático y el uso de TensorFlow.

Espero que os haya gustado y servido, cualquier comentario es de mucha ayuda. Adios!