Buen video! Muy claro. Me hubiera gustado que explicaras por qué comenzaste con 13 variables de entrada y luego fuiste a 15 y luego a 8. Entiendo que es un criterio subjetivo, pero sería súper útil conocer las razones por las que elegiste esos valores. Gracias!
Lo considerare para un futuro video, es un buen punto. Como mencionas, no hay una regla como tal pero si hay ciertos patrones o cosas a hacer y evitar. En este caso fue algo arbitrario, intentas no poner tampoco miles de neuronas o reducir muchas entradas a muy pocas neuronas, justo las lineas que están comentadas es para que se puedan hacer varias pruebas y se vaya generando un poco esa intuición. Saludos!
Excelente explicación!! Estaría genial que también hagas un vídeo sobre como crear redes CNN en Pytorch de forma similar como lo hiciste con Tensorflow en su momento.
Muy bueno tu vídeo. Si no me equivoco ser podría usar tensorflow para lo mismo. Cuál sería el criterio para optar por pytorch o tensorflow? Saludos desde Argentina
Si cualquier cosa que hagas en pytorch se puede en tf. Tf lo he visto mas para modelos a grande escala y pytorch para investigación, pero la verdad es que ambos son bastante completos.
no soy experto en pytorch, pero en 18:45 como puedes hacer backpropagation con el resultado de loss_fn y nunca conectaste loss_fn al modelo, como puede saber a con que modelo trabajar ???
Hola, Muy buena pregunta, si, en PyTorch parece que no están vinculados pero por detrás si lo están. Cuando corres el cálculo de la gradiente, estos son almacenados en los tensores de la red, dentro de un atributo llamado grad (Lo cual lo vincula al modelo). Al instanciar al optimizador lo vinculamos al modelo por medio de models.parameters() así que ya tiene la manera de cambiar eses parámetros para el objeto del modelo. Saludos!
Hola amigo hace mucho tiempo te sigo. Sos increíble. Tengo una duda y me gustaría porfavor me ayudarás lo necesito. Me interesó siempre el Deep learning por lo cual empezé a ver teoría sobre perceptrones redes multicapa funciones de activación etc. Muy bien la teoría. Cuando quise pasar a la práctica con una API de alto nivel empezé con fashion mnist. Ahora quiero seguir practicando con más datasets. Aquí mi duda. No se donde encontrar datasets para practicar mis redes neuronales. Además si los encontrará simplemente a pesar de tener conocimientos sobre la teoría en si del Deep learning la parte de los datos me confunde. Porque no sé cómo pasarle datos o alimentar a una red neuronal. 😔 Espero porfavor me ayudes
Los datasets de Kaggle te pueden funcionar mucho para practicar www.kaggle.com/datasets Sobre alimentar la data a la red neuronal, eso depende mucho para caso de uso. Saludos
En la jetson nano si puedes correr varias redes. En el Odroid no estoy completamente seguro, imagino que si se puede correr pero con una velocidad de inferencia algo lenta.
No te preocupes. Es similar pytorch en su modo sequential. Y otras partes como el armado de la clase y demás puedes reutilizar la estructura general de proyectos pasados. Si entiendes como funciona una red neuronal lo puedes implementar sin problema. Éxito!
Hola, gran video, una pregunta: terminada la red , entrenada y testeada con los datos de test... como pruebo la red con una fila de datos que no esté en el conjunto de test ni tampoco en el conjunto de train ? estoy empezando y no comprendo esa parte. saludos cordiales de chile.
Tienes que agregar nuevos valores a predictores. Por ejemplo si quieres saber la predicción de cuánto costará el litro de petróleo y tus características son: [transporte, tiempo de extracción,época de extracción] entonces generarás nuevos valores con esas características específicas. Ejemplo: train labels: [transporte, tiempo de extracción,época de extracción] values: [10,22.5,4] Tu deberás generar un vector con nuevos valores basados en esos labels, por ejemplo: [34,25,1] Si tu metes esos valores en tu red la predicción se hará con base en lo que ya entrenaste. Espero haberme explicado.
Sí quiero hacer una red para imágenes oftalmológicas, por donde empezarías desee tu punto de vista?
Buen video! Muy claro. Me hubiera gustado que explicaras por qué comenzaste con 13 variables de entrada y luego fuiste a 15 y luego a 8. Entiendo que es un criterio subjetivo, pero sería súper útil conocer las razones por las que elegiste esos valores. Gracias!
Lo considerare para un futuro video, es un buen punto. Como mencionas, no hay una regla como tal pero si hay ciertos patrones o cosas a hacer y evitar. En este caso fue algo arbitrario, intentas no poner tampoco miles de neuronas o reducir muchas entradas a muy pocas neuronas, justo las lineas que están comentadas es para que se puedan hacer varias pruebas y se vaya generando un poco esa intuición.
Saludos!
Muchas gracias, explicación muy clara!!!
Puedo hacer muchas redes neuronales en la i.a para que sea más inteligente ?
Excelente explicación!! Estaría genial que también hagas un vídeo sobre como crear redes CNN en Pytorch de forma similar como lo hiciste con Tensorflow en su momento.
Hola Armando, anotado entre las ideas para futuros videos. Saludos!
Muy bueno tu vídeo. Si no me equivoco ser podría usar tensorflow para lo mismo. Cuál sería el criterio para optar por pytorch o tensorflow? Saludos desde Argentina
Si cualquier cosa que hagas en pytorch se puede en tf. Tf lo he visto mas para modelos a grande escala y pytorch para investigación, pero la verdad es que ambos son bastante completos.
no soy experto en pytorch, pero en 18:45 como puedes hacer backpropagation con el resultado de loss_fn y nunca conectaste loss_fn al modelo, como puede saber a con que modelo trabajar ???
Hola,
Muy buena pregunta, si, en PyTorch parece que no están vinculados pero por detrás si lo están.
Cuando corres el cálculo de la gradiente, estos son almacenados en los tensores de la red, dentro de un atributo llamado grad (Lo cual lo vincula al modelo).
Al instanciar al optimizador lo vinculamos al modelo por medio de models.parameters() así que ya tiene la manera de cambiar eses parámetros para el objeto del modelo.
Saludos!
@@AMPTech muchas gracias por la aclaración 🌹🌹
Eres un crack bato, de los pocos mexicanos que hacen esto en TH-cam y saben que onda.
Muchas gracias!!
Hola amigo hace mucho tiempo te sigo. Sos increíble. Tengo una duda y me gustaría porfavor me ayudarás lo necesito. Me interesó siempre el Deep learning por lo cual empezé a ver teoría sobre perceptrones redes multicapa funciones de activación etc. Muy bien la teoría. Cuando quise pasar a la práctica con una API de alto nivel empezé con fashion mnist. Ahora quiero seguir practicando con más datasets. Aquí mi duda. No se donde encontrar datasets para practicar mis redes neuronales. Además si los encontrará simplemente a pesar de tener conocimientos sobre la teoría en si del Deep learning la parte de los datos me confunde. Porque no sé cómo pasarle datos o alimentar a una red neuronal. 😔 Espero porfavor me ayudes
Los datasets de Kaggle te pueden funcionar mucho para practicar
www.kaggle.com/datasets
Sobre alimentar la data a la red neuronal, eso depende mucho para caso de uso.
Saludos
impresionante !!!, muchas gracias.
Que buen video... Super claro .. sería chévere que también lo hicieras con tensorflow y hacer una comparativa... Excelente video .
Hola qué tal.
Muy interesante el vídeo estos proyectos que realizas los puedo correr en una odroid xu3 lite y en una Nvidia jetson nano de 2gb?
En la jetson nano si puedes correr varias redes. En el Odroid no estoy completamente seguro, imagino que si se puede correr pero con una velocidad de inferencia algo lenta.
@@AMPTech muchas gracias, excelentes videos
Excelente. Una bala. Muchas gracias por el vídeo.
Uff me. Gusto mucho.
Soy nuevo por acá alguien me puede decir cuánto se puede hacer con este lenguaje no lo conocía se ve interesante???🧐🤔
Genial video ¿hay mucha diferencia si las bases de datos pesan en total 2 pentabytes?
Excelente video!
Excelente video, esperaré el video de redes neuronales convolucionales!!!
Muchas gracias!
Eres como un chatgpt humano , gracias 🙂
Jajaja saludos!
Uff estoy acostumbrado a Keras y me resulta muy tedioso diseñar la arquitectura con Pytorch
No te preocupes. Es similar pytorch en su modo sequential. Y otras partes como el armado de la clase y demás puedes reutilizar la estructura general de proyectos pasados. Si entiendes como funciona una red neuronal lo puedes implementar sin problema. Éxito!
Me gusta como se ve tu editor de codigo. Un crack 💪🏼
Jaja gracias. Es visual studio code con el tema oscuro, desde que integraron jupyter notebooks es casi lo único que uso.
Muchas gracias Alex por compartir tu conocimiento. Sin duda útil para asimilar esquemas de operación de esta fascinante especialidad tecnológica.
Que bueno que te es útil! Muy importante aprender a interactuar y desarrollar con estas tecnologías
sabes explicar muy bien
Gracias! Espero que este tipo de videos a detalle ayuden!
buenisimo, muchas gracias
Con gusto, Ariel.
Genial amigo. Graicias!
Hola, gran video, una pregunta:
terminada la red , entrenada y testeada con los datos de test... como pruebo la red con una fila de datos que no esté en el conjunto de test ni tampoco en el conjunto de train ? estoy empezando y no comprendo esa parte. saludos cordiales de chile.
Tienes que agregar nuevos valores a predictores. Por ejemplo si quieres saber la predicción de cuánto costará el litro de petróleo y tus características son: [transporte, tiempo de extracción,época de extracción] entonces generarás nuevos valores con esas características específicas.
Ejemplo:
train
labels: [transporte, tiempo de extracción,época de extracción]
values: [10,22.5,4]
Tu deberás generar un vector con nuevos valores basados en esos labels, por ejemplo:
[34,25,1]
Si tu metes esos valores en tu red la predicción se hará con base en lo que ya entrenaste.
Espero haberme explicado.
Que buen video, enseñas rápido y muy bien. Suerte con tu canal.
Muchas gracias!
Muy buen tutorial!
Muchas gracias! Se vienen más en el futuro.
Excelente