TensorFlow para R

publicado en: rstudio | 0

Durante el año pasado hemos trabajado duro en la creación de interfaces R para TensorFlow, un marco de aprendizaje de máquinas de código abierto de Google. Estamos entusiasmados con TensorFlow por muchas razones, entre ellas su infraestructura de última generación para aplicaciones de aprendizaje profundo.

En los 2 años desde que fue inicialmente de código abierto por Google, TensorFlow se ha convertido rápidamente en el marco de elección tanto para los profesionales de la enseñanza de la máquina como para los investigadores. El sábado, anunciamos formalmente nuestro trabajo en TensorFlow durante el discurso de apertura de J.J. Allaire en el rstudio::conf:

En el discurso de apertura, J.J. describe no sólo el trabajo que hemos hecho en TensorFlow, sino que también discute el aprendizaje profundo más ampliamente (qué es, cómo funciona y dónde podría ser relevante para los usuarios de R en los próximos años).

Nuevos paquetes y herramientas

La interfaz R de TensorFlow consiste en un conjunto de paquetes R que proporcionan una variedad de interfaces a TensorFlow para diferentes tareas y niveles de abstracción, incluyendo:

  • keras-Una interfaz de alto nivel para redes neuronales, con el objetivo de permitir una rápida experimentación.

  • tfestimadores- Implementación de tipos de modelos comunes como los regresores y clasificadores.

  • tensorflow – Interfaz de bajo nivel para el gráfico computacional TensorFlow.

  • tfdatasets – Tuberías de entrada escalables para los modelos TensorFlow.

Además de las diversas interfaces R de TensorFlow, hay herramientas para ayudar con el flujo de trabajo de la formación, incluyendo la retroalimentación en tiempo real de las métricas de formación dentro del IDE de RStudio:

>

El paquete tfruns proporciona herramientas para rastrear y gestionar las carreras y experimentos de entrenamiento de TensorFlow:

Acceso a las GPU

El entrenamiento de redes neuronales convolucionales o recurrentes puede ser extremadamente costoso desde el punto de vista computacional, y se beneficia significativamente del acceso a una reciente GPU NVIDIA de alta gama. Sin embargo, la mayoría de los usuarios no tienen este tipo de hardware disponible localmente. Para hacer frente a esto hemos proporcionado una serie de formas de utilizar las GPU en la nube, incluyendo:

  • El paquete Cloudml, una interfaz R para el motor de aprendizaje de máquinas de Google.

  • Servidor RStudio con Tensorflow-GPU para AWS (una imagen de Amazon EC2 preconfigurada con los controladores NVIDIA CUDA, TensorFlow, la interfaz TensorFlow para R, así como el Servidor RStudio).

  • Instrucciones detalladas para configurar un escritorio en la nube de Ubuntu 16.04 con una GPU usando el servicio Paperspace.

También hay documentación sobre la configuración de una GPU en su estación de trabajo local si ya tiene el hardware de la GPU de NVIDIA necesario.

Recursos de aprendizaje

También hemos hecho una inversión significativa en recursos de aprendizaje, todos estos recursos están disponibles en el sitio web de TensorFlow for R en https://tensorflow.rstudio.com.

Algunos de los recursos de aprendizaje incluyen:


Aprendizaje profundo con R

Deep Learning with R está dirigido a estadísticos, analistas, ingenieros y estudiantes con una cantidad razonable de experiencia en R pero sin conocimientos significativos de aprendizaje de máquinas y aprendizaje profundo. Aprenderás de más de 30 ejemplos de códigos que incluyen comentarios detallados y recomendaciones prácticas. No necesitas experiencia previa en aprendizaje automático o aprendizaje profundo: este libro cubre desde cero todos los fundamentos necesarios. No necesitas una formación avanzada en matemáticas, cualquiera de las dos: las matemáticas de nivel secundario deberían ser suficientes para seguir adelante.

Aprendizaje profundo con Keras Cheatsheet

Una guía de referencia rápida de los conceptos y funciones disponibles en la interfaz R de Keras. Cubre los diversos tipos de capas de Keras, preprocesamiento de datos, flujo de trabajo de entrenamiento y modelos pre-entrenados.

Galería

Ejemplos exhaustivos del uso de TensorFlow con R, incluyendo una detallada narración explicativa así como la cobertura de tareas auxiliares como el preprocesamiento de datos y la visualización. Un gran recurso para dar el siguiente paso después de haber aprendido lo básico.

Ejemplos

Ejemplos introductorios del uso de TensorFlow con R. Estos ejemplos cubren los fundamentos de los modelos de entrenamiento con las keras, los tfestimadores y los paquetes de tensorflow.

¿Qué sigue?

Seguiremos construyendo paquetes y herramientas que hagan que el uso de TensorFlow de R sea fácil de aprender, productivo y capaz de abordar los problemas más desafiantes en el campo. También haremos un esfuerzo continuo para añadir a nuestra galería de ejemplos en profundidad. Para mantenerse al día sobre nuestras últimas herramientas y adiciones a la galería, puede suscribirse al Blog de TensorFlow para R.

Mientras que TensorFlow y el aprendizaje profundo han hecho algunas cosas impresionantes en campos como la clasificación de imágenes y el reconocimiento del habla, su uso en otros dominios como el biomédico y el análisis de series temporales es más experimental y aún no se ha demostrado que sea de amplio beneficio. Estamos entusiasmados con la forma en que la comunidad R empujará las fronteras de lo que es posible, así como encontrar aplicaciones completamente nuevas. Si usted es un usuario de R que ha tenido curiosidad por TensorFlow y / o aplicaciones de aprendizaje profundo, ahora es un gran momento para sumergirse y aprender más!

…ilustración {
borde: sólido 1px #cccccc;
}
.nav-imagen {
margen superior: 8px;
}

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *