Lección 7 del curso PyTorch Nivel Básico
En la lección anterior vimos cómo desarrollar un modelo de regresión con Redes Neuronales usando PyTorch.
En la práctica, una vez hayamos entrenado un modelo de Deep Learning y estemos conformes con su desempeño, lo que nos interesa es re-utilizar dicho modelo para generar predicciones sobre datos completamente nuevos.
Así que en esta última lección del curso veremos cómo almacenar en disco esa Red Neuronal que entrenamos anteriormente y cómo cargarla posteriormente para generar predicciones sobre nuevos datos.
Comencemos entonces hablando del almacenamiento:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En resumen, la opción más práctica consiste en almacenar (en un archivo PyTorch con extensión .pth) únicamente los parámetros del modelo entrenado, sin necesidad de almacenar la arquitectura. Con esto, tendremos un archivo de menor tamaño que resultará suficiente para posteriormente re-crear el modelo pre-entrenado y generar predicciones.
Veamos entonces cómo implementar el siguiente paso, la carga del modelo y la generación de predicciones con el modelo entrenado:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la carga del modelo pre-entrenado involucra dos pasos:
- Re-crear la arquitectura del modelo
- Cargar los parámetros del modelo entrenado previamente y añadirlos al modelo creado en el paso anterior
Y con estos dos sencillos pasos ya podremos reutilizar el modelo para generar predicciones.
Además, al momento de presentarle nuevos datos al modelo pre-entrenado, resulta importante tener en cuenta que estos datos deberán ser pre-procesados exactamente de la misma forma como pre-procesamos los datos de entrenamiento. Con esto podremos garantizar que las predicciones generadas sobre estos nuevos datos serán consistentes con las características del modelo entrenado.
Y con esto ya hemos llegado al final de este curso de PyTorch Nivel Básico, ¡felicitaciones por haber llegado hasta este punto!
Con todo lo aprendido en este curso, ya tenemos los elementos esenciales de PyTorch que nos permitirán entrenar y validar Redes Neuronales para tareas de clasificación y regresión. Y, como veremos en los próximos cursos, estas herramientas las podremos aprovechar para la construcción de modelos de Deep Learning más complejos.
Como siempre te invito a contactarme a través de la Intranet para que me compartas tus comentarios del curso y tus sugerencias para seguir mejorando el contenido de la Academia.
Y te invito igualmente a continuar con el segundo curso de esta serie: PyTorch Nivel Intermedio.
¡Un saludo y nos vemos en el próximo curso!
Todas las lecciones del curso PyTorch Nivel Básico