TensorFlow — Avanzado

Dirigido a profesionales con experiencia consolidada en TensorFlow que necesitan llevar sus modelos más allá de las APIs de alto nivel, este curso de 8 horas explora las capas internas del ecosistema TensorFlow para afrontar retos reales de producción. El participante aprenderá a construir arquitecturas personalizadas mediante subclasificación de tf.keras.Model, a controlar con precisión el entrenamiento a través de tf.GradientTape, a optimizar pipelines de datos y la inferencia del modelo resultante, y a automatizar la búsqueda de hiperparámetros con Keras Tuner. El curso culmina con la evaluación crítica del rendimiento del modelo y el diseño de estrategias de entrenamiento distribuido, de modo que el participante sea capaz de desplegar soluciones de deep learning robustas, eficientes y escalables en entornos de producción exigentes.

Al finalizar el curso, el participante será capaz de:

1. Conceptual — Explicar las diferencias de diseño entre la subclasificación de tf.keras.Model y la API funcional, justificando cuándo cada enfoque es más adecuado según los requisitos del problema.
2. Conceptual — Describir los fundamentos del cálculo explícito de gradientes con tf.GradientTape y el papel de la gestión de estados en bucles de entrenamiento personalizados.
3. Procedimental — Implementar un bucle de entrenamiento personalizado que incorpore gestión de gradientes, métricas por época y reproducibilidad entre ejecuciones.
4. Procedimental — Optimizar un pipeline de datos con tf.data.Dataset identificando y resolviendo cuellos de botella mediante prefetch, caché y paralelismo configurable.
5. Procedimental — Automatizar la búsqueda de hiperparámetros con Keras Tuner, definiendo el espacio de búsqueda y seleccionando la estrategia más adecuada (Random Search, Hyperband o Bayesian) con criterio justificado.
6. Procedimental — Aplicar técnicas de cuantización post-entrenamiento y pruning con TensorFlow Model Optimization Toolkit, midiendo el impacto en latencia y precisión del modelo exportado.
7. Integrador — Evaluar críticamente el rendimiento de un modelo mediante métricas avanzadas (curvas ROC/PR, matriz de confusión multiclase, calibración de probabilidades) e identificar fallos sistemáticos para proponer mejoras.
8. Integrador — Diseñar una estrategia de entrenamiento distribuido con tf.distribute.Strategy seleccionando la política apropiada según la topología de hardware disponible y anticipando problemas de escalabilidad.

Bloque 1 — Arquitecturas personalizadas y control del entrenamiento

Este bloque aborda la construcción de modelos de deep learning desde sus cimientos. Se estudia la subclasificación de tf.keras.Model como mecanismo para definir arquitecturas con lógica de propagación hacia delante completamente personalizada, contrastándola con la API funcional para identificar cuándo cada paradigma resulta más ventajoso. A continuación se profundiza en tf.GradientTape: su mecánica interna, la grabación de operaciones, la obtención y aplicación explícita de gradientes, y la gestión de estados (métricas, pesos, contadores) a lo largo de múltiples épocas dentro de un bucle de entrenamiento propio.

Bloque 2 — Rendimiento de datos e inferencia optimizada

El segundo bloque se centra en el ciclo de vida del dato y del modelo una vez entrenado. Se analiza el pipeline tf.data.Dataset bajo la óptica del rendimiento: perfilado de latencias, uso estratégico de prefetch, caché y mapeado paralelo para eliminar cuellos de botella. Posteriormente se trabaja la optimización de la inferencia con TensorFlow Model Optimization Toolkit, aplicando cuantización post-entrenamiento y pruning estructurado, y midiendo experimentalmente el equilibrio entre reducción de latencia y degradación de precisión.

Bloque 3 — Ajuste automático de hiperparámetros y evaluación crítica

Este bloque combina la automatización de decisiones de modelado con el análisis riguroso de resultados. Se introduce Keras Tuner para definir espacios de búsqueda de hiperparámetros y se comparan las estrategias disponibles —Random Search, Hyperband y Optimización Bayesiana— atendiendo a criterios de coste computacional y convergencia. Seguidamente se trabajan métricas de evaluación avanzadas: construcción e interpretación de curvas ROC y precisión-recall, matrices de confusión multiclase, y técnicas de calibración de probabilidades, con énfasis en la detección de fallos sistemáticos del modelo.

Bloque 4 — Escalabilidad y MLOps con TFX

El bloque de cierre integra las capacidades desarrolladas en un escenario de producción real. Se diseña una estrategia de entrenamiento distribuido con tf.distribute.Strategy, evaluando las políticas MirroredStrategy, MultiWorkerMirroredStrategy y TPUStrategy según la topología de hardware. Finalmente, se construye un pipeline end-to-end con los componentes principales de TFX —Transform, Trainer, Evaluator y Pusher— sobre un dataset real, garantizando la reproducibilidad y trazabilidad entre ejecuciones como base de un flujo de MLOps sostenible.

• Python 3.9 o superior.
• TensorFlow 2.13 o superior (instalación local o acceso a Google Colab con GPU habilitada).
• Keras Tuner (keras-tuner >= 1.4).
• TensorFlow Model Optimization Toolkit (tensorflow-model-optimization >= 0.7).
• TensorFlow Extended — TFX (tfx >= 1.14).
• Acceso a un entorno con al menos una GPU (NVIDIA con CUDA 11.8+ o TPU en Colab) para los ejercicios de entrenamiento distribuido y optimización de inferencia.
• Jupyter Lab o VS Code con extensión de notebooks para el seguimiento de prácticas.
• Git para la gestión del código de los ejercicios.

Para aprovechar este curso el participante debe dominar los contenidos cubiertos en TTF02 (TensorFlow — Intermedio), que incluyen el uso fluido de la API funcional de Keras, la definición de callbacks personalizados, el uso de tf.data para la carga básica de datos, técnicas de regularización y transfer learning. Adicionalmente, se recomienda familiaridad con conceptos de álgebra lineal aplicada (multiplicación matricial, gradientes, retropropagación), experiencia práctica en Python a nivel intermedio-avanzado y conocimiento operativo de NumPy y pandas.