Network-Neuronal-MLP(Keras)

Neuronal-Networking

Nota: (Creación con Frameworks-Kera de una Red-Neuronal-Perceptro-Multi-Capa (MLP) el cual lo generaremos con la herramienta el la nube como Google-Colaboratory).

-. Si definimos a Keras en Deep-Learning como una librería muy recomendada dentro del mundo de las Red-Neuronal-Artificial. Su características es ser una biblioteca de código abierto y trabaja con TensorFlow, razón por lo cual es una de las más empleadas en el análisis, creación de Redes-Neuronales-Profundas.

-. Por otra parte tenemos dos formas de generar arquitectura de un Modelo.

  • API o Modo-Secuencial: Se crea una instancia un objeto del tipo Model y continuación a este Model, se le van añadiendo las capas que conforman la arquitectura una detrás de la otra. En definitiva una lista simple de capas, pero está limitado a pilas de capas de una sola entrada y una sola salida.
  • API o Modo-Funcional: Este Modelo de Keras en Deep-Learning se define una determinada entrada, a partir de la misma, se vaya definiendo la arquitectura. Este Modelo indica cuál es la entrada a cada capa usada. Cuando tengamos definida la arquitectura se crea el objeto; modelo que va pasando las entradas y las salidas de la última capa definida.
  • Subclases de Modelos: donde implementa todo desde cero por su cuenta. Use esto si tiene casos de uso de investigación complejos y listos para usar.

-. Recopilemos el Perceptrón-Multicapa & Red-Neuronal-Artificial-Multicapa, consta de una capa de entrada y una capa de salida y una o más capas ocultas. Dichas capas se unen de forma total hacia delante, la capa entrada se une con la primera capa oculta y esta con la siguiente y la última capa oculta se une con la capa de salida, una función de activación y un conjunto de pesos y sesgos. la Retropropagación es una forma de ajustar los Pesos en una red neuronal al propagar el Error desde la salida hacia la red Hacia-Atras.

 

Descripción Red-Neuronal-Artificial- Multicapa (MLP)

Utilidades de trazado de modelos:

  • In: from keras.utils import plot_model

Nota: Daré una descripción paso a paso de esta Red-Neuronal-Artificial & Perceptrón-Multicapa “MLP” usaremos la herramienta de computación en la nube Google-Colaboratory.

Agrupa capas, funciones de entrenamiento e inferencia (deducir)

  • In: from keras.models import Model

Capa punto de entrada a la red:

  • In: from keras.layers import Input

Capa densamente conectada:

  • In: from keras.layers import Dense

Nota: API funcional en Keras es una forma alternativa de crear modelos que ofrece mucha más flexibilidad

definir modelos simples de perceptrón multicapa, red neuronal convolucional y red neuronal recurrente. Los modelos se definen creando instancias de capas y conectándolas directamente entre sí, luego definiendo un modelo que especifica las capas para que actúen como entrada y salida del modelo.

Pongamos un ejemplo:

  • In: from keras.layers import Input
  • In: from keras.layers import Dense
  • In: visible = Input(shape=(2,))
  • In; hidden = Dense(2)(visible)

Nota: El modelo “MLP” para la clasificación binaria. Este pose 10-entradas, 3-capas ocultas con 10,20,10 neuronas, una capa de salida con solo 1-salida. Las funciones de activación “Relu”lineal se utilizan en las capas ocultas y una función de activación “Sigmoide” para la capa de salida como clasificación binaria.

Creamos Perceptrón multicapa:

  • In: visible = Input(shape=(10,))
  • In: hidden1 = Dense(10, activation=‘relu’)(visible)
  • In: hidden2 = Dense(20, activation=’relu’)(hidden1)
  • In: hidden3 = Dense(10, activation=‘relu’)(hidden2)
  • In: output = Dense(1, activation=‘sigmoid’)(hidden3)
  • In: model = Model(inputs=visible, outputs=output)

Nota: A continuación presentamos un Diagrama de flujo en el cual tenemos cinco capas entrada , salidas y tres oculta o intermedias, con las neuronas que contiene cada capa y las funciones que usamos.

Imprir un resumen de capas de la red:

  • In: model.summary()

Nota: Otra forma de ver la Red el (Model) diferente al diagrama de flujo.

Utilidades de trazado de modelos:

  • In: plot_model(model, to_file=model.png’)

 

Recopilando:

En esta implementación de Perceptrón-Multicapa con keras es básica nos sirve de introducción al MLP, el próximo Post dedicado al Perceptrón-Multicapa-Keras, tendremos una implementación tres modelos modernos basados en perceptrón multicapa (MLP) .

 

  • Referencias: (Entorno-Moreluz)
  • Referencias: (Keras)
  • Referencias: (unipython)
Etiquetada como