TensorFlow entrena un modelo de clasificación de imágenes

Este script utiliza la biblioteca TensorFlow para cargar el conjunto de datos MNIST, que consiste en imágenes de dígitos escritos a mano. Luego, normaliza las imágenes y convierte las etiquetas en vectores one-hot. A continuación, define un modelo de red neuronal con una capa de entrada, una capa oculta con función de activación ReLU y una capa de salida con función de activación Softmax. Compila el modelo con la función de pérdida de entropía cruzada categórica y el optimizador Adam, y lo entrena con los datos de entrenamiento durante 10 épocas.

instalación:

pip install tensorflow

Finalmente, el modelo se evalúa con los datos de prueba y se muestra la pérdida y precisión obtenidas en el conjunto de prueba. Este script demuestra cómo se puede utilizar la biblioteca TensorFlow para entrenar modelos de aprendizaje automático de forma sencilla y eficiente:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# Carga el conjunto de datos MNIST
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Normaliza las imágenes y convierte las etiquetas en vectores one-hot
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# Define el modelo de la red neuronal
model = keras.Sequential(
    [
        layers.Flatten(input_shape=(28, 28)),
        layers.Dense(128, activation="relu"),
        layers.Dense(10, activation="softmax"),
    ]
)

# Compila el modelo con la función de pérdida y el optimizador
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])

# Entrena el modelo con los datos de entrenamiento
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# Evalúa el modelo con los datos de prueba
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Pérdida en el conjunto de prueba: {test_loss}")
print(f"Precisión en el conjunto de prueba: {test_acc}")