DataSaturday BH - No PhD Required: IA Generativa com Keras
Transferir como PPTX, PDF0 gostou26 visualizações
O documento discute a API Keras em IA generativa, destacando suas vantagens e como se integra ao TensorFlow e outros frameworks. Ele explica a importância dos modelos generativos, seu funcionamento e apresenta novidades do Keras 3, incluindo melhorias de desempenho e compatibilidade com várias plataformas. Além disso, menciona aplicações práticas de Keras em projetos variados, abrangendo desde carros autônomos até recomendações do YouTube.
DataSaturday BH - No PhD Required: IA Generativa com Keras
- 1. No PhD Required: IA Generativa com Keras Lightning Talks AI / ML Ahirton Lopes, PhD.
- 2. Ahirton Lopes, Eng., MSc., PhD. Head of Data Professor de MBA e Corporate @ FIAP + Alura Google Developer Expert – Machine Learning 5x Most Valuable Professional – AI Platform @ Microsoft LinkedIn Top Voice Doutor em Engenharia Elétrica e Computação pela Universidade Presbiteriana Mackenzie (UPM) Pesquisador em Machine e Deep Learning Sobre mim
- 3. Roteiro 01 02 03 ●Introdução: o que é o Keras? Visão geral em IA Generativa, casos de uso comuns e como o Keras se posiciona para cientistas e desenvolvedores; Exemplos e demo. Ahirton Lopes @ahirtonlopes
- 4. Introdução: o que é o Keras? Seção 1 Por que utilizar o Keras em 2025? Ahirton Lopes @ahirtonlopes
- 5. 1N73L163NC14 3 4 H481L1D4D3 D3 53 4D4P74R 4 MUD4NÇ4 Ahirton Lopes @ahirtonlopes
- 6. Keras é a API oficial de criação de modelos de alto nível do TensorFlow Ahirton Lopes @ahirtonlopes
- 7. • Módulo tensorflow.keras (tf.keras); • Parte do núcleo do TensorFlow desde a v1.4; • API completa do Keras; • Melhor otimizado para TF; • Melhor integração com as características específicas do TF. Principais características: • API de estimador; • Execução rápida e facilitada quando em comparação com outros frameworks (eager execution); Conhecendo mais do Keras! Seção 1 Ahirton Lopes @ahirtonlopes
- 8. Quem faz o Keras? Ahirton Lopes @ahirtonlopes
- 9. • Adoção na indústria e na comunidade de pesquisa; • Foco na experiência do usuário; • Multi-backend, multi-plataforma; • Fácil produção e replicação de modelos. O que há de especial no Keras? Seção 1 Ahirton Lopes @ahirtonlopes
- 10. A parte da palestra onde eu falo algumas verdades difíceis IA Generativa com Keras Seção 2 Ahirton Lopes @ahirtonlopes
- 11. Seção 2 Como a maioria das empresas acreditam que redes neurais funcionam! Ahirton Lopes @ahirtonlopes
- 12. Seção 2 Como as redes neurais realmente funcionam (short version)! Ahirton Lopes @ahirtonlopes
- 13. Seção 2 Como as redes neurais realmente funcionam (short version)! Ahirton Lopes @ahirtonlopes
- 14. Seção 2 Como IA generativa funciona (short version)! Ahirton Lopes @ahirtonlopes
- 15. Seção 2 Ahirton Lopes @ahirtonlopes • Os modelos generativos são uma importante classe de modelos de aprendizagem não supervisionada que vem recebendo muita atenção nos últimos anos. • Eles podem ser definidos como uma classe de modelos cujo objetivo é aprender a gerar novas amostras que parecem ser do mesmo conjunto de dados que os dados de treinamento. • Durante a fase de treinamento, um modelo generativo tenta resolver a tarefa principal de estimativa de densidade. Como IA generativa funciona (short version)!
- 16. Seção 2 Ahirton Lopes @ahirtonlopes • Na estimativa de densidade, nosso modelo aprende a construir uma estimativa — pmodel(x) — o mais semelhante possível à função de densidade de probabilidade não observável — pdata(x). • É importante mencionar que o modelo generativo deve ser capaz de compor novas amostras da distribuição, e não apenas copiar e colar as já existentes. Como IA generativa funciona (short version)!
- 17. Seção 2 Como o Keras pode ser utilizado em um fluxo de construção de redes neurais (very short version)! Ahirton Lopes @ahirtonlopes
- 18. Seção 3 Como o Keras pode ser utilizado em um fluxo de construção de redes neurais generativas (very short version)! Ahirton Lopes @ahirtonlopes
- 19. Seção 3 Demos e Exemplos Demos da Palestra no Github Ahirton Lopes @ahirtonlopes
- 20. Seção 3 Demo - Variational Autoencoders Ahirton Lopes @ahirtonlopes
- 21. Seção 3 Demo - Variational Autoencoders Ahirton Lopes @ahirtonlopes
- 22. Seção 3 Demo - Variational Autoencoders Ahirton Lopes @ahirtonlopes
- 23. Seção 3 Novidades do Google I/O para o Keras 3! • Obtenha sempre o melhor desempenho para seus modelos – Agora há uma opção de mudanças dinâmicas de backend, ponto positivo principalmente ao usar JAX; • Desbloqueie a opcionalidade do ecossistema para seus modelos - Qualquer módulo do Keras 3 também pode ser instanciado como um pacote do ecossistema PyTorch; • Aproveite o paralelismo de modelos em grande escala e o paralelismo de dados com JAX - Keras 3 inclui uma nova API de distribuição, o namespace keras.distribution , atualmente implementado para o back-end JAX (em breve nos back- ends TensorFlow e PyTorch); • Maximize o alcance de seus lançamentos de modelos de código aberto - Quer lançar um modelo pré-treinado? Quer que o maior número possível de pessoas possa usá-lo? no Keras 3, ele poderá ser usado instantaneamente por qualquer pessoa, independentemente se você implementá-lo em TensorFlow ou PyTorch. • Use pipelines de dados de qualquer fonte - As rotinas Keras 3 fit()/evaluate()/predict() são compatíveis com objetos tf.data.Dataset , com objetos PyTorch DataLoader , com matrizes NumPy e dataframes Pandas. Ahirton Lopes @ahirtonlopes
- 24. Seção 3 O Keras 3 superou consistentemente o Keras 2 em todos os modelos de benchmark, com aumentos substanciais de velocidade em muitos casos. A inferência do SegmentAnything viu um aumento notável de 380%, o rendimento do treinamento StableDiffusion aumentou em mais de 150% e o rendimento do treinamento BERT aumentou em mais de 100%. Ahirton Lopes @ahirtonlopes
- 25. “Até mesmo as redes de hoje, as quais são consideradas grandes a partir de uma visão quanto a sistemas computacionais, ainda são pequenas se comparadas ao sistema nervoso de animais vertebrados relativamente primitivos, como os sapos.” Ian Goodfellow (Google DeepMind) Ahirton Lopes @ahirtonlopes
- 26. 2.5 M De desenvolvedores utilizam o Keras em seus projetos. Ele está presente desde os carros autônomos da Waymo à ferramenta de recomendação do YouTube. Google Crash Course on Machine Learning
- 27. Obrigado! Ahirton Lopes, PhD. Ele/Dele Head of Data ahirtonlopes@gmail.com https://www.linkedin.com/in/ahirtonlopes https://github.com/ahirtonlopes https://x.com/ahirtonlopes
- 28. Patrocinadores
Notas do Editor
- #12: Camada é um termo geral que se aplica a uma coleção de "nós" operando juntos em uma profundidade específica dentro de uma rede neural. A camada de entrada contém seus dados brutos (você pode pensar em cada variável como um "nó"). Cada camada está tentando aprender diferentes aspectos sobre os dados minimizando uma função de erro/custo. A maneira mais intuitiva de entender essas camadas é no contexto de "reconhecimento de imagem", como um rosto. A primeira camada pode aprender a detecção de bordas, a segunda pode detectar olhos, a terceira um nariz, etc. Isso não é exatamente o que está acontecendo, mas a ideia é dividir o problema em componentes que diferentes níveis de abstração podem juntar, assim como nossos próprios cérebros funcionam (daí o nome "redes neurais"). A camada de saída é a mais simples, geralmente consistindo em uma única saída para problemas de classificação. Embora seja um único "nó", ainda é considerada uma camada em uma rede neural, pois pode conter vários nós.
- #16: Depois de treinarmos com sucesso nosso modelo, ele pode ser usado para uma ampla variedade de aplicações que vão desde formas de reconstrução, como pintura em imagem, colorização e super-resolução, até a geração de obras de arte.
- #22: Ao reduzir a dimensionalidade, queremos manter a estrutura principal existente entre os dados.