Construcción de la primera red neuronal con TensorFlow

En esta lección, crearemos una red neuronal sencilla de propagación hacia adelante con TensorFlow. TensorFlow es un framework popular para crear y entrenar modelos de machine learning.

Paso 1: Configuración de TensorFlow

Primero, asegúrese de que TensorFlow esté instalado. Si no lo está, puede instalarlo mediante:

pip install tensorflow

También importaremos las bibliotecas necesarias para esta lección.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

Paso 2: Preparación del conjunto de datos

Para este ejemplo, utilizaremos un conjunto de datos sencillo en el que la entrada es una única característica y la salida es el doble de dicha entrada:

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

Paso 3: Creación del modelo

Crearemos un modelo sencillo con una capa de entrada, una capa oculta y una capa de salida. La capa oculta utilizará la función de activación ReLU.

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

Paso 4: Compilación del modelo

Compilamos el modelo con:

• Función de pérdida: Error cuadrático medio para tareas de regresión.
• Optimizador: Descenso de gradiente estocástico (SGD).

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

Paso 5: Entrenamiento del modelo

Entrenamos el modelo con los datos de entrenamiento durante 500 épocas. Durante el entrenamiento, el modelo aprende a minimizar la pérdida.

# Train the model
model.fit(X, y, epochs=500, verbose=1)

Paso 6: Realizar predicciones

Después del entrenamiento, podemos usar el modelo para realizar predicciones sobre datos nuevos:

# Predict on new data
print(model.predict([6]))

Paso 7: Evaluación del modelo

Evaluamos el rendimiento del modelo con los datos de entrenamiento para asegurarnos de que ha aprendido correctamente el patrón:

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

Aplicaciones del mundo real

Las redes neuronales de propagación hacia adelante construidas con TensorFlow se pueden aplicar a:

• Análisis predictivo: Pronóstico de ventas y tendencias.
• Clasificación: Detección de spam y fraudes.
• Regresión: Predicción de precios y pronóstico de la demanda.

Resumen y próximos pasos

En esta lección:

• Construimos y entrenamos una red neuronal sencilla con TensorFlow.
• Aprendimos los pasos clave: preparación del conjunto de datos, creación, compilación y entrenamiento del modelo.
• Realizamos predicciones y evaluamos el rendimiento del modelo.

A continuación, exploraremos cómo se amplían las redes neuronales con arquitecturas más avanzadas, como las redes neuronales convolucionales (CNN), para tareas de procesamiento de imágenes.