IA práctica para programadores: ChatGPT, LLM, RAG, agentes, evaluación y despliegue.
Separación de datos Introducción En el desarrollo de modelos de aprendizaje profundo, la separación adecuada de los datos es una práctica fundamental y crítica. La idea detrás de esta práctica es dividir nuestros conjuntos de datos en subco…
Interpretación correcta de métricas en PyTorch Introducción La interpretación correcta de las métricas es fundamental para evaluar y mejorar el rendimiento de los modelos de aprendizaje profundo. Las métricas nos proporcionan una medida obj…
Uso de librerías auxiliares para métricas en PyTorch Introducción En la evaluación y validación de modelos de aprendizaje profundo, las métricas son fundamentales para medir su rendimiento. Aunque PyTorch proporciona herramientas básicas pa…
Métricas manuales Introducción En el campo de la inteligencia artificial y el aprendizaje profundo, las métricas son fundamentales para medir la calidad y rendimiento de los modelos. Las métricas manuales, en particular, nos permiten tener …
Control del estado del modelo Introducción En el ámbito del aprendizaje profundo, controlar adecuadamente el estado de los modelos es crucial para garantizar que se realicen las operaciones correctas en cada etapa del ciclo de entrenamiento…
Uso de torch.no_grad() para optimizar y depurar el entrenamiento en PyTorch Introducción En el contexto del entrenamiento de modelos con PyTorch, la función torch.no_grad() es una herramienta poderosa pero a menudo subapreciada. Su propósit…
train() y eval(): Buenas prácticas para el Ciclo de Entrenamiento en PyTorch Introducción Cuando trabajamos con modelos de Deep Learning, es fundamental entender cómo controlar los modos de entrenamiento y evaluación. En PyTorch, train() e …
Actualización de pesos: Enfrentando al modelo con los datos Introducción Durante la fase de entrenamiento de un modelo en PyTorch, una de las tareas más cruciales es la actualización periódica de los pesos. Estos pesos representan los parám…