¿Es fácil entrenar un modelo de red neuronal profunda desde cero usando Keras?

Depende de varios factores:

1. Tamaño de datos, si el tamaño es muy grande, como ImageNet, es mejor encontrar una red previamente capacitada y usarla como un detector de características para su nuevo modelo. Luego, puede ajustar la red pre-entrenada junto con el nuevo modelo para un mejor rendimiento, esto se denomina aprendizaje de transferencia.
2. Cuanto más grande sea el tamaño de la red neuronal profunda (DNN), más difícil es entrenar, más grande es la probabilidad de que sufra un sobreajuste y, por lo tanto, puede tener problemas para intentar que un DNN a gran escala funcione en realidad. Puede que ni siquiera sea la solución correcta para el problema.
3. Encontrar los hiperparámetros correctos no es fácil la primera vez. Los DNN no son fáciles de entrenar, especialmente el hecho de que no es fácil encontrar los hiperparámetros correctos para el DNN para que funcione. Cuanto más grande es, más difícil es encontrar los hiperparámetros correctos.
4. Disponibilidad de recursos computacionales: cuanto mayor sea el tamaño de los datos, más recursos computacionales + tiempo requerido. Cuanto mayor sea el DNN, más necesitará consumir recursos computacionales + tiempo.

Por lo tanto, entrenar un DNN desde cero no es muy fácil, por eso es mejor en la mayoría de los casos utilizar el aprendizaje de transferencia para problemas relacionados.

Espero que esto ayude

Muy fácil, aquí hay un ejemplo mnist:

Cargue los datos, establezca los tamaños de lote, etc. Luego cambie la forma de las imágenes y normalice:

¡Y tren!

¡Alrededor de 70 líneas de código para entrenar una red que obtiene una precisión del 99.25%, donde la mitad del código es una disputa de datos es bastante buena! Aquí está el enlace al código: fchollet / keras

Recomiendo ver todos los otros ejemplos geniales con Keras, ¡tienen cosas como Autoencoders Variacionales, LSTM Bidireccionales y Deep Dream!

fchollet / keras

Sí, si se compara con TensorFlow o Caffe.

Keras proporciona una API muy simple para escribir capas de redes neuronales. Se proporcionan muchas funciones de activación, optimizaciones, definiciones de capa, puede concentrarse en escribir capas y agregar estos parámetros a cada capa.

Si…. (?)

Documentación de Keras