Más instructivos y muestras

En esta página, se resumen instructivos y muestras en los que se indica cómo crear aplicaciones con Cloud Machine Learning Engine.

Obtén las muestras

Las muestras más recientes de Cloud ML Engine están disponibles en GitHub.

Si seguiste la guía de introducción, habrás descargado varias de estas muestras en tu entorno de desarrollo, en el que puedes ejecutarlas y experimentar con ellas. Con el tiempo, se agregarán más muestras al repositorio, por lo que debes asegurarte de revisar GitHub con regularidad.

Comprende las muestras

En las muestras proporcionadas, hay ejemplos concretos de cómo se usa Cloud ML Engine. En esta sección, se te presentará cada muestra y recibirás información sobre lo que hacen y qué partes de Cloud ML Engine incluyen.

En cada muestra, se usa un conjunto de datos públicos para su modelo de aprendizaje. Los conjuntos de datos son conocidos para los científicos de datos y están disponibles. Se encuentran alojados en Google Cloud Storage para tu uso.

Clasificación amplia y profunda con TensorFlow y Keras

En las siguientes muestras, se usa un conjunto de datos del censo de Estados Unidos para entrenar un modelo con el que se pueda predecir el nivel de ingresos de una persona. En estas muestras de clasificación, se proporciona una introducción al uso de Cloud ML Engine. Se muestra una solución de aprendizaje automático de extremo a extremo con la mayoría de las características de Cloud ML Engine en las que se incluyen el ajuste de hiperparámetros, la predicción en línea y la predicción por lotes.

Muestra del censo de la API de Estimator de TensorFlow

La muestra del censo de Estimator de TensorFlow es el ejemplo introductorio para Cloud ML Engine. Con la API, puedes iterar con rapidez y adaptar los modelos a tus propios conjuntos de datos sin mayores revisiones de código.

Esta muestra está disponible en GitHub: Predice ingresos con el conjunto de datos de ingresos del censo

Muestra del censo de la API de Estimator personalizado de TensorFlow

La muestra de Estimator personalizado de TensorFlow se puede usar para ejecutar todos los pasos que aparecen en la muestra de la API de Estimator. En esta muestra, se usa una implementación personalizada de tf.estimator.Estimator. Los estimadores personalizados son útiles cuando es necesario tener un control adicional sobre las operaciones que se necesitan para realizar el entrenamiento, la evaluación o las predicciones.

Esta muestra está disponible en GitHub: Predice ingresos con el conjunto de datos de ingresos del censo

Muestra del censo de la API de Core de TensorFlow

La muestra del censo de Core de TensorFlow se puede usar para ejecutar todos los pasos que aparecen en la muestra de la API de Estimator. En esta muestra, se usan las vinculaciones de bajo nivel a fin de compilar un modelo, que lo hacen útil para comprender el funcionamiento subyacente de TensorFlow y las recomendaciones cuando se usa la API de Core.

Esta muestra está disponible en GitHub: Predice ingresos con el conjunto de datos de ingresos del censo

Muestra del censo de Keras

La muestra del censo de Keras es el ejemplo introductorio del uso de Keras en Cloud ML Engine para entrenar un modelo y obtener predicciones.

Esta muestra está disponible en GitHub: Predice ingresos con el conjunto de datos de ingresos del censo mediante Keras

Recomendación personalizada

En la muestra de MovieLens, se indica cómo compilar modelos de recomendación personalizados para recomendar películas a los usuarios según los datos de clasificación de películas desde el conjunto de datos de MovieLens 20M.

Esta muestra está disponible en GitHub: Muestra de MovieLens

Publicidad: Predicción de CTR

En la muestra de Criteo, se demuestra la capacidad de los modelos lineales y profundos en el conjunto de datos de Criteo. Esta muestra implica trabajar con un conjunto de datos de 1 TB a fin de crear un modelo para predecir si es probable o no que una persona haga clic en un anuncio.

Esta muestra está disponible en GitHub: Muestra de Criteo

Datos de texto no estructurados

En la muestra de Reddit, se muestra la capacidad de los modelos lineales y profundos en el conjunto de datos de Reddit. El modelo predice la puntuación de un subproceso de Reddit a partir de sus comentarios.

En esta muestra, se incluye un paso de procesamiento previo de los datos en el que se leen los datos desde Google BigQuery y los convierte en formato TFRecord.

Esta muestra está disponible en GitHub: Muestra de Reddit

Aprendizaje por transferencia de imágenes

En la muestra de flores se indica cómo crear un modelo de clasificación de imágenes personalizado con el aprendizaje por transferencia basado en imágenes. El modelo predice el tipo de una flor a partir de su imagen.

En esta muestra, se incluye un paso de procesamiento previo de los datos en el que se extraen las características de la imagen de un conjunto de imágenes etiquetadas.

También puedes leer sobre esta muestra en la entrada de blog de diciembre de 2016 Cómo clasificar imágenes con TensorFlow mediante el aprendizaje automático de Google Cloud y Cloud Dataflow.

Reconocimiento de imágenes: Estimator de CIFAR-10

En esta muestra, se indica cómo usar los estimadores de TensorFlow para entrenar y evaluar un modelo de aprendizaje de red residual con el conjunto de datos CIFAR-10.

Se incluye una guía sobre cómo ejecutar el modelo en varios hosts o en uno solo con una CPU o varias GPU.

Esta muestra está disponible en GitHub: Estimator de CIFAR-10

Interacción Spark-TensorFlow

En esta muestra, se ilustra cómo se pueden usar los datos cargados en Spark desde varias fuentes para entrenar los modelos de TensorFlow y cómo estos modelos se pueden entregar en Google Cloud Platform.

Esta muestra está disponible en GitHub: Spark-TensorFlow

Detección de objetos mediante la API de Object Detection y ML Engine

En esta muestra, se indica cómo usar la API de Object Detection de Tensorflow como entrenamiento distribuido que se ejecuta en Cloud ML Engine.

Para obtener información adicional sobre la detección de objetos, consulta los siguientes recursos:

Esta muestra está disponible en GitHub: Ejecuta en Google Cloud Platform

Mejora los tickets de asistencia con el aprendizaje automático sin servidores

En el instructivo Mejora los tickets de asistencia con aprendizaje automático sin servidores, se muestra cómo mejorar una situación de asistencia típica con el enriquecimiento de los datos de tickets con la IA de Cloud mediante una arquitectura sin servidores basada en eventos. En el instructivo, se muestra cómo compilar la arquitectura descrita en los artículos adjuntos, Arquitectura de un modelo de aprendizaje automático sin servidores y Creación de un modelo de aprendizaje automático sin servidores.

Automatiza el aprendizaje automático de IoT: Vincula los beneficios de la nube y del dispositivo con Cloud ML Engine

En el instructivo Automatiza el aprendizaje automático de IoT: Vincula los beneficios de la nube y del dispositivo con Cloud ML Engine, se muestra cómo automatizar un flujo de trabajo que entregue modelos de aprendizaje automático nuevos o actualizados a dispositivos de IoT (Internet de las cosas).

¿Qué sigue?

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para TensorFlow