Bien sûr, voici un exemple de code Python pour simuler un processus de deep learning en utilisant un ton professionnel et en espagnol. Nous allons utiliser la bibliothèque TensorFlow pour créer un simple modelo de red neuronal para la clasificación de imágenes del conjunto de datos MNIST. A continuación, se presenta el código:
« `python
# Importar las bibliotecas necesarias
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
# Cargar y preparar los datos
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# Normalizar los datos
train_images = train_images / 255.0
test_images = test_images / 255.0
# Crear el modelo
modelo = models.Sequential()
modelo.add(layers.Flatten(input_shape=(28, 28)))
modelo.add(layers.Dense(128, activation=’relu’))
modelo.add(layers.Dense(10, activation=’softmax’))
# Compilar el modelo
modelo.compile(optimizer=’adam’,
loss=’sparse_categorical_crossentropy’,
metrics=[‘accuracy’])
# Entrenar el modelo
modelo.fit(train_images, train_labels, epochs=5)
# Evaluar el modelo
test_loss, test_acc = modelo.evaluate(test_images, test_labels)
# Mostrar los resultados
print(f »\nEl modelo ha logrado una precisión del {test_acc * 100:.2f}% en los datos de prueba. »)
« `
### Explicación del Código:
1. **Importar las Bibliotecas Necesarias**:
– `tensorflow` y `keras` son importados para trabajar con redes neuronales.
2. **Cargar y Preparar los Datos**:
– Se cargan los datos del conjunto MNIST, que es un conjunto de datos estándar para la clasificación de dígitos escritos a mano.
– Los datos se normalizan dividiendo por 255.0 para que los valores de píxel estén en el rango [0, 1].
3. **Crear el Modelo**:
– Se crea un modelo secuencial con una capa de aplanamiento (`Flatten`) para convertir las imágenes 2D en vectores 1D.
– Se añade una capa densa (`Dense`) con 128 neuronas y una función de activación ReLU.
– Se añade otra capa densa con 10 neuronas (para las 10 clases de dígitos) y una función de activación softmax.
4. **Compilar el Modelo**:
– Se compila el modelo con el optimizador Adam, la pérdida sparse categorical crossentropy, y la métrica de precisión.
5. **Entrenar el Modelo**:
– Se entrena el modelo con los datos de entrenamiento durante 5 épocas.
6. **Evaluar el Modelo**:
– Se evalúa el modelo con los datos de prueba y se imprime la precisión obtenida.
Este código proporciona una base sólida para empezar con el aprendizaje profundo en Python utilizando TensorFlow y un tono profesional en español.