You've learned this already. ✅
Click here to view the next lesson.
Capítulo 7: Aprendizaje profundo con TensorFlow
7.4 Ejercicios Prácticos
Ejercicio 7.4.1: Guardar y Cargar un Modelo
- Crea un modelo de red neuronal simple utilizando TensorFlow. Puedes utilizar el modelo que hemos discutido en este capítulo como punto de partida.
- Entrena el modelo durante algunas épocas y guárdalo en un archivo de punto de control (checkpoint).
- Crea una nueva sesión y restaura el modelo desde el archivo de punto de control.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
import tensorflow as tf
# Define the model
...
# Define the saver
saver = tf.train.Saver()
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
save_path = saver.save(sess, "/tmp/my_model.ckpt")
# Create a new session and restore the model
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_model.ckpt")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Ejercicio 7.4.2: Guardar y Cargar un Modelo en el Formato SavedModel
- Modifica el código del ejercicio anterior para guardar el modelo en el formato SavedModel.
- Crea una nueva sesión y restaura el modelo desde el archivo SavedModel.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
# Define the model
...
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
inputs = {"X": X}
outputs = {"outputs": outputs}
tf.saved_model.simple_save(sess, "/tmp/my_model", inputs, outputs)
# Create a new session and restore the model
with tf.Session() as sess:
tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], "/tmp/my_model")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Estos ejercicios te brindarán experiencia práctica en guardar y cargar modelos en TensorFlow, habilidades esenciales para cualquier profesional de aprendizaje automático.
7.4 Ejercicios Prácticos
Ejercicio 7.4.1: Guardar y Cargar un Modelo
- Crea un modelo de red neuronal simple utilizando TensorFlow. Puedes utilizar el modelo que hemos discutido en este capítulo como punto de partida.
- Entrena el modelo durante algunas épocas y guárdalo en un archivo de punto de control (checkpoint).
- Crea una nueva sesión y restaura el modelo desde el archivo de punto de control.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
import tensorflow as tf
# Define the model
...
# Define the saver
saver = tf.train.Saver()
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
save_path = saver.save(sess, "/tmp/my_model.ckpt")
# Create a new session and restore the model
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_model.ckpt")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Ejercicio 7.4.2: Guardar y Cargar un Modelo en el Formato SavedModel
- Modifica el código del ejercicio anterior para guardar el modelo en el formato SavedModel.
- Crea una nueva sesión y restaura el modelo desde el archivo SavedModel.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
# Define the model
...
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
inputs = {"X": X}
outputs = {"outputs": outputs}
tf.saved_model.simple_save(sess, "/tmp/my_model", inputs, outputs)
# Create a new session and restore the model
with tf.Session() as sess:
tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], "/tmp/my_model")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Estos ejercicios te brindarán experiencia práctica en guardar y cargar modelos en TensorFlow, habilidades esenciales para cualquier profesional de aprendizaje automático.
7.4 Ejercicios Prácticos
Ejercicio 7.4.1: Guardar y Cargar un Modelo
- Crea un modelo de red neuronal simple utilizando TensorFlow. Puedes utilizar el modelo que hemos discutido en este capítulo como punto de partida.
- Entrena el modelo durante algunas épocas y guárdalo en un archivo de punto de control (checkpoint).
- Crea una nueva sesión y restaura el modelo desde el archivo de punto de control.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
import tensorflow as tf
# Define the model
...
# Define the saver
saver = tf.train.Saver()
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
save_path = saver.save(sess, "/tmp/my_model.ckpt")
# Create a new session and restore the model
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_model.ckpt")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Ejercicio 7.4.2: Guardar y Cargar un Modelo en el Formato SavedModel
- Modifica el código del ejercicio anterior para guardar el modelo en el formato SavedModel.
- Crea una nueva sesión y restaura el modelo desde el archivo SavedModel.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
# Define the model
...
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
inputs = {"X": X}
outputs = {"outputs": outputs}
tf.saved_model.simple_save(sess, "/tmp/my_model", inputs, outputs)
# Create a new session and restore the model
with tf.Session() as sess:
tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], "/tmp/my_model")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Estos ejercicios te brindarán experiencia práctica en guardar y cargar modelos en TensorFlow, habilidades esenciales para cualquier profesional de aprendizaje automático.
7.4 Ejercicios Prácticos
Ejercicio 7.4.1: Guardar y Cargar un Modelo
- Crea un modelo de red neuronal simple utilizando TensorFlow. Puedes utilizar el modelo que hemos discutido en este capítulo como punto de partida.
- Entrena el modelo durante algunas épocas y guárdalo en un archivo de punto de control (checkpoint).
- Crea una nueva sesión y restaura el modelo desde el archivo de punto de control.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
import tensorflow as tf
# Define the model
...
# Define the saver
saver = tf.train.Saver()
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
save_path = saver.save(sess, "/tmp/my_model.ckpt")
# Create a new session and restore the model
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_model.ckpt")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Ejercicio 7.4.2: Guardar y Cargar un Modelo en el Formato SavedModel
- Modifica el código del ejercicio anterior para guardar el modelo en el formato SavedModel.
- Crea una nueva sesión y restaura el modelo desde el archivo SavedModel.
- Continúa entrenando el modelo durante algunas épocas más y observa los resultados.
Aquí tienes un código inicial para este ejercicio:
# Define the model
...
# Run the computation graph and save the model
with tf.Session() as sess:
sess.run(init)
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
inputs = {"X": X}
outputs = {"outputs": outputs}
tf.saved_model.simple_save(sess, "/tmp/my_model", inputs, outputs)
# Create a new session and restore the model
with tf.Session() as sess:
tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], "/tmp/my_model")
for epoch in range(1000):
_, loss_value = sess.run([training_op, loss], feed_dict={X: X_train, y: y_train})
if epoch % 100 == 0:
print("Epoch:", epoch, "\tLoss:", loss_value)
Estos ejercicios te brindarán experiencia práctica en guardar y cargar modelos en TensorFlow, habilidades esenciales para cualquier profesional de aprendizaje automático.