Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 24): Mejorando la herramienta para el Transfer Learning"

[MetaQuotes]

Artículo publicado Redes neuronales: así de sencillo (Parte 24): Mejorando la herramienta para el Transfer Learning:

En el último artículo, creamos una herramienta capaz de crear y editar arquitecturas de redes neuronales. Hoy querríamos proponerles continuar con el desarrollo de esta herramienta, para lograr que resulte más fácil de usar. En cierto modo, esto se aleja un poco de nuestro tema, pero estará de acuerdo con que la organización del espacio de trabajo desempeña un papel importante en el resultado final.

En el anterior artículo de esta serie, creamos una herramienta para poder aprovechar la tecnología del Aprendizaje por Transferencia. Como resultado de un copioso trabajo, ahora tenemos una herramienta que permite editar modelos ya entrenados. Al hacerlo, podemos tomar cualquier número de capas neuronales de un modelo preentrenado. Obviamente, existen condiciones limitantes. Solo tomaremos capas consecutivas a partir de la capa de datos de origen. La razón de este enfoque parte de la naturaleza de las redes neuronales. Estas solo funcionan bien con datos de entrada similares a los utilizados en el entrenamiento del modelo.

Además, la herramienta creada permite no solo editar modelos entrenados, sino también crear modelos totalmente nuevos. Esto nos ahorra la necesidad de describir la arquitectura del modelo en el código del programa. Lo único que debemos hacer es crear un modelo con la herramienta, y luego entrenar y utilizar el modelo cargando la red neuronal creada desde un archivo. De esta forma, podremos experimentar con diferentes arquitecturas sin cambiar el código del programa. Ni siquiera tendremos que recompilar el mismo. Lo único que deberemos hacer es sustituir el archivo del modelo.

Obviamente, queremos que una herramienta tan útil resulte lo más fácil posible de usar. En este artículo, intentaremos hacer más cómodo su uso.

Autor: Dmitriy Gizlyk