tqdm_progress_bar.ipynb

Kernel: Python 3

Copyright 2020 Los Autores de TensorFlow.

#@title Con licencia de Licencia de Apache, versión 2.0 (la 
"Licencia");
# no puede usar este archivo excepto en conformidad con la 
# Licencia.
# Puede obtener una copia de la Licencia en 
#
# http://www.apache.org/licenses/LICENSE-2.0
#
# A menos que lo exija la ley aplicable o acuerde por escrito, el software
#  distribuido bajo la licencia se distribuye "TAL CUAL",
# SIN GARANTÍAS NI CONDICIONES DE NINGÚN TIPO, ya sea expresa o implícita.
# Consulte la Licencia para conocer el lenguaje específico que rige los permisos y 
# limitaciones bajo la Licencia.

Complementos TensorFlow Callbacks: Barra de progreso TQDM

Ver en TensorFlow.org

Ejecutar en Google Colab

Ver código en GitHub

Descargar manual

Descripción general

En este manual se demuestra como usar TQDMCallback con Complementos TensorFlow

Instalación

!pip install -U tensorflow-addons

!pip install -q "tqdm>=4.36.1"

import tensorflow as tf
import tensorflow_addons as tfa

from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten

import tqdm

# quietly deep-reload tqdm
import sys
from IPython.lib import deepreload 

stdout = sys.stdout
sys.stdout = open('junk','w')
deepreload.reload(tqdm)
sys.stdout = stdout

tqdm.__version__

Importación y Normalización de datos

# los datos, entre los conjuntos de entrenamiento y prueba
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# normalización de datos
x_train, x_test = x_train / 255.0, x_test / 255.0

Generar un modelo MNIST CNN simple

# construir modelo usando la API Secuencial
model = Sequential()
model.add(Flatten(input_shape=(28, 28)))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss = 'sparse_categorical_crossentropy',
              metrics=['accuracy'])

Configuración por defecto de TQDMCallback

# inicialización con parametros por defecto de tqdm_callback
tqdm_callback = tfa.callbacks.TQDMProgressBar()

# para entrenar el modelo con tqdm_callback
# asegúrese de ajustar verbose = 0 para desactivar
# la barra de progreso por defecto.
model.fit(x_train, y_train,
          batch_size=64,
          epochs=10,
          verbose=0,
          callbacks=[tqdm_callback],
          validation_data=(x_test, y_test))

Abajo se muestra el resultado previsto cuando ejecuta la celda de arriba

# TQDMProgressBar() también funciona con evaluate()
model.evaluate(x_test, y_test, batch_size=64, callbacks=[tqdm_callback], verbose=0)

Abajo se muestra el resultado previsto cuando ejecuta la celda de arriba