Keras 3 es un framework de deep learning que funciona con JAX, TensorFlow, PyTorch u OpenVINO para inferencia.
64,4 mil+8 esta semana19,8 milPythonApache-2.0Bien mantenidoActualizado hace 23 horas
tensorflow/neural-structured-learning
Framework de TensorFlow para entrenar redes neuronales con señales estructuradas como grafos o perturbaciones adversarias, además de las características de entrada.
- Estrellas
- 1,012
- Forks
- 191
- Issues abiertos
- 1
- Último commit
- el mes pasado
¿Qué es?
Neural Structured Learning (NSL) es un framework de TensorFlow para entrenar redes neuronales con señales estructuradas, además de las entradas de características habituales. La estructura puede ser explícita, representada como un grafo de relaciones o similitudes entre muestras, o implícita, inducida mediante perturbaciones adversarias de las entradas.
El framework está pensado para situaciones con pocos datos etiquetados, ya que permite aprovechar muestras sin etiquetar a través de sus relaciones con las etiquetadas. Se usan ejemplos de entrenamiento con perturbaciones adversarias para que los modelos sean más robustos frente a entradas diseñadas para inducir predicciones erróneas. Las señales estructuradas se aplican únicamente durante el entrenamiento, por lo que los flujos de trabajo de servicio e inferencia no cambian.
NSL ofrece APIs de Keras para el entrenamiento con grafos y con perturbaciones adversarias, ops y funciones de bajo nivel de TensorFlow, y herramientas para crear grafos y construir entradas de grafo. Se instala como paquete pip y funciona con TensorFlow 1.15 y versiones posteriores, excepto TensorFlow 2.1.
Funciones clave
- 01APIs de Keras para entrenar con grafos explícitos y perturbaciones adversarias.
- 02Ops y funciones de bajo nivel de TensorFlow para incorporar estructura a entrenamientos personalizados.
- 03Herramientas para crear grafos y construir entradas de grafo.
- 04Las señales estructuradas solo se usan durante el entrenamiento, por lo que la inferencia no cambia.
- 05Se instala mediante pip e incluye tutoriales de ejemplo sobre aprendizaje con grafos y aprendizaje adversario.
Casos de uso
- Entrenar clasificadores de texto o de nodos cuando solo está etiquetada una pequeña parte de las muestras.
- Mejorar la robustez de los modelos frente a entradas diseñadas mediante técnicas adversarias.
- Añadir grafos de relaciones o similitudes entre muestras a un flujo de entrenamiento de TensorFlow.
Inicio rápido
- 1
Instala el paquete pip de NSL precompilado
pip install neural-structured-learning - 2
Consulta la guía de instalación para otras configuraciones o para compilar desde el código fuente
Antes de usarlo
- Requiere TensorFlow 1.15 o superior; TensorFlow 2.1 no es compatible.
Temas
#tensorflow#graph-learning#adversarial-learning#semi-supervised-learning#keras#neural-networks#regularization#structured-signals
Preguntas frecuentes
- ¿Qué es neural-structured-learning?
- Framework de TensorFlow para entrenar redes neuronales con señales estructuradas como grafos o perturbaciones adversarias, además de las características de entrada. Neural Structured Learning (NSL) es un framework de TensorFlow para entrenar redes neuronales con señales estructuradas, además de las entradas de características habituales. La estructura puede ser explícita, representada como un grafo de relaciones o similitudes entre muestras, o implícita, inducida mediante perturbaciones adversarias de las entradas.
- ¿neural-structured-learning es gratuito? ¿Qué licencia tiene?
- neural-structured-learning es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿neural-structured-learning sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de neural-structured-learning fue el 5 oct 2026.
- ¿Para qué puedo usar neural-structured-learning?
- Entrenar clasificadores de texto o de nodos cuando solo está etiquetada una pequeña parte de las muestras. Mejorar la robustez de los modelos frente a entradas diseñadas mediante técnicas adversarias. Añadir grafos de relaciones o similitudes entre muestras a un flujo de entrenamiento de TensorFlow.
- ¿Cómo se instala neural-structured-learning?
- Instala el paquete pip de NSL precompilado: pip install neural-structured-learning Consulta la guía de instalación para otras configuraciones o para compilar desde el código fuente
- ¿Dónde consigo neural-structured-learning?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/tensorflow/neural-structured-learning
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Acelerador multiplataforma para ejecutar modelos de ML exportados al formato ONNX, con compatibilidad para entrenar mediante scripts de PyTorch.
22,3 mil+60 esta semana4,4 milC++MITActualizado hace 3 horas
Motor de inferencia autónomo escrito en Rust que carga modelos ONNX y NNEF y los ejecuta en CPU, Apple Metal, NVIDIA CUDA y WebAssembly.
3,1 mil+4 esta semana297RustOtherBien mantenidoActualizado hace 6 horas
Un plan de estudios de IA para principiantes de Microsoft, de 12 semanas y 24 lecciones, que abarca IA simbólica, redes neuronales, visión por computadora, NLP y ética, con notebooks en PyTorch y TensorFlow.
Recursos de aprendizaje#artificial-intelligence#machine-learning#deep-learning#neural-networks#computer-vision
70,6 mil+218 esta semana13,7 milJupyter NotebookMITActualizado hace 3 días
Colección de ejemplos en Jupyter Notebook que implementan arquitecturas de deep learning y consejos de entrenamiento en PyTorch y TensorFlow.
17,6 mil4,1 milJupyter NotebookMITActualizado el mes pasado
Colección de tutoriales y proyectos en notebooks de Jupyter para el programa Udacity Deep Learning Nanodegree Foundation, con redes neuronales, RNN, GAN y más.
4,1 mil4,4 milJupyter NotebookMITActualizado hace 12 días