TensorFlow: la inteligencia

Efrain Andres Vergara Serrato

        Universidad de Cundinamarca

Facatativá, Colombia

efrainvergara.udec@gmail.com

TensorFlow: la inteligencia

artificial libre de Google

Abstract—   This article presents a brief description of the TensorFlow tool, making known its relationship with artificial intelligence and for that reason talking about Deep Learning and how this technology goes hand in hand with TensorFlow. Considering, the uses and applications currently of these tools. These reasons are presented as the article began by giving some theory and the operation of TensorFlow.

Key Words—  TensorFlow, Deep Learning, Artificial Intelligence, Tensors, Algorithms.

Resumen— El presente artículo presenta una breve descripción de la herramienta TensorFlow, dando a conocer cuál es su relación con la inteligencia artificial y por tal razón hablar sobre el Deep Learning y como esta tecnología va de la mano con TensorFlow. Teniendo en cuenta, los usos y aplicaciones en la actualidad de estas herramientas. Estas razones se presentan ya que el articulo empezara por dar un poco de teoría y el funcionamiento de TensorFlow.

Palabras Clave—  TensorFlow, Deep Learning, Inteligencia Artificial, Tensores, Algoritmos.

1. INTRODUCCION

Los inventores han soñado durante mucho tiempo con crear máquinas que piensen. Cuando los primeros computadores fueron creados, mucha gente pensó que esas máquinas podrían llegar a ser inteligentes.

Hoy en día, la Inteligencia Artificial (IA) es un campo de la informática con aplicaciones prácticas y áreas de investigación activas. Se utiliza el software inteligente para automatizar rutinas laboriosas, entender expresiones habladas e imágenes, realizar diagnósticos médicos y apoyar investigaciones científicas básicas.[1]

Durante los primeros días de la inteligencia artificial, el área resolvió problemas que son intelectualmente difíciles para los humanos, pero relativamente directos para las computadoras.

Pero el verdadero reto para la inteligencia artificial es resolver tareas que las personas resuelven fácilmente pero difícil de describir formalmente - problemas que nosotros resolvemos de manera intuitiva, que parecen automáticos, como reconocer palabras habladas u objetos en imágenes.[1]

Bastantes proyectos de inteligencia artificial han intentado describir el conocimiento a través de lenguajes formales. Una máquina puede razonar con estos lenguajes formales automáticamente utilizando reglas de inferencia lógicas. Esto es conocido dentro de la IA como base de conocimiento. Pero ninguno de estos proyectos tuvo gran éxito.

Las dificultades de los sistemas que se basan en conocimiento adquirido mediante lenguajes formales sugieren que los sistemas inteligentes necesitan tener la habilidad de adquirir su propio conocimiento extrayendo patrones de los datos en bruto. Esta capacidad es conocida como Aprendizaje Automático (Machine Learning).[1]

El presente artículo, tiene como fin dar a conocer cuáles son las ventajas de la tecnología TensorFlow en la actualidad y por consiguiente conocer un poco de la teoría de esta tecnología.

1. Fundamentos Teóricos

En esta sección, se darán a conocer algunas definiciones que serán necesarias, para el desarrollo del presente artículo.

1. TENSORFLOW

TensorFlow es una librería de Deep Learning de Google que es de código abierto y está disponible en GitHub. TensorFlow sobresale en computación numérica, que es fundamental para Deep Learning. La librería tiene un amplio conjunto de APIs en la mayoría de los lenguajes de programación necesarios para proyectos de Deep Learning: Python, C, C++, Rust, Haskell, Go, Java, Android, IoS, Mac OS, Windows, Linux, y Raspberry Pi.

Para llevar a cabo la minería de datos, se deben seguir una serie de pasos como se muestra en la figura 1.

Figura 1. TensorFlow proporciona una pila de programación que consta de múltiples capas de API.

[pic 1]        

• ¿Qué es un tensor?

La unidad primera en TensorFlow es un tensor. Un tensor consiste en un conjunto de datos primitivos en un arreglo de cualquier número o dimensión. Este conjunto de números en un arreglo es la razón por la que GPUs y otros procesadores son diseñados para acelerar las matemáticas en los puntos en los cuales se destacan.[1]

Es decir, Un tensor es una generalización de vectores y matrices a dimensiones potencialmente más altas. Internamente, TensorFlow representa tensores como matrices n-dimensionales de tipos de datos.[2]

Un tensor tiene las siguientes propiedades:

• un tipo de datos (float32, int32, o string)

• Variables en TensorFlow

Una variable TensorFlow es la mejor manera de representar el estado compartido y persistente en la manipulación de un programa.

Una Variable es un tipo especial de funcionamiento que devuelve un identificador.[3]

Las variables son manipuladas a través de la clase tf.Variableclase. Un tf.Variable representa un tensor cuyo valor se puede cambiar ejecutando operaciones en él. A diferencia de los tf.Tensorobjetos, a tf.Variableexiste fuera del contexto de una sola session.runllamada.

• Tipos de Operaciones en TensorFlow.

Operaciones matemáticas elemento a elemento:

• Add, Sub, Mul, Div, Exp, Log, Greater, Less, Equal.

        Operaciones de matriz:

• Concat, Slice, Split, Constant, Rank, Shape, Shuffle.

        Las operaciones con matrices:

• MatMul, MatrixInverse, MatrixDeterminant.

        Operaciones con estado:

• Variable, Assign, AssignAdd.

        Bloques de construcción de red neuronal:

• SoftMax, Sigmoid, ReLU, Convolution2D, MaxPool.

        Las operaciones de los puntos de control:

• Save, Restore.

        Operaciones de la cola y de sincronización:

• Enqueue, Dequeue, MutexAcquire, MutexRelease.

        Control de flujo de operaciones:

• Merge, Switch, Enter, Leave, NextIteration

Teniendo en cuenta los temas tratados anteriormente, ya se puede deducir como trabaja TensorFlow. Sin embargo, esta tecnología es de código abierto para aprendizaje automático, por tal razón facilita la tarea de aprendizaje de una red neuronal, a programadores o desarrolladores. Más adelante se dará a conocer los usos actuales que maneja esta tecnología.

...