¿Qué son las Redes Neuronales Artificiales? | Pedro Lara

import tensorflow as tf

from tensorflow.keras import layers, models

import numpy as np

import matplotlib.pyplot as plt

# Cargar el conjunto de datos MNIST

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Normalizar los valores de los píxeles (entre 0 y 1)

x_train, x_test = x_train / 255.0, x_test / 255.0

# Crear el modelo secuencial

model = models.Sequential([

    layers.Flatten(input_shape=(28, 28)),   # Aplanar las imágenes de 28x28 píxeles

    layers.Dense(128, activation='relu'),   # Capa densa con 128 neuronas y función de activación ReLU

    layers.Dense(10, activation='softmax')  # Capa de salida con 10 neuronas (para 10 clases)

])

# Compilar el modelo

model.compile(optimizer='adam',

              loss='sparse_categorical_crossentropy',

              metrics=['accuracy'])

# Entrenar el modelo

model.fit(x_train, y_train, epochs=5)

# Evaluar el modelo en los datos de prueba

test_loss, test_acc = model.evaluate(x_test, y_test)

print(f"Precisión en los datos de prueba: {test_acc}")

# Hacer predicciones

predictions = model.predict(x_test)

# Mostrar la primera imagen de prueba y su predicción

plt.imshow(x_test[0], cmap=plt.cm.binary)

plt.show()

print(f"Predicción para la primera imagen: {np.argmax(predictions[0])}")

En este ejemplo lo primero que hacemos es cargar y preparar los datos usando el dataset MNIST que viene predefinido en TensorFlow. Las imágenes de entrenamiento y prueba se normalizan dividiendo los valores de píxeles entre 255 para llevarlos al rango [0, 1].

Luego definimos  la red neuronal y  creamos un modelo secuencial con los siguiente elementos: