Local blog for Spanish speaking developers in LATAM
TF Jam: Lanzamientos al aro con aprendizaje automático
lunes, 6 de agosto de 2018
Por Abe Haskins (
Twitter
,
Github
)
En este artículo, abordaremos el uso de
Unity3D
y
TensorFlow
para enseñarle a un sistema de IA a realizar una tarea simple dentro del juego: embocar pelotas en un aro. El código fuente completo se
encuentra disponible en Github
; si tienes preguntas puedes contactarme en
Twitter
.
Introducción a nuestro juego
Hay un juego en el que los jugadores tienen un propósito principal: embocar una pelota en un aro. Esto no parece tan difícil, pero cuando la sangre circula, el corazón se acelera y la gente alienta resulta bastante difícil realizar ese lanzamiento. ¿Estoy hablando del clásico juego americano del
baloncesto
? No, nunca oí hablar de este. Me refiero al clásico juego de arcade
NBA Jam
, de Midway.
Si alguna vez jugaste a NBA Jam o cualquier otro juego inspirado en él (incluida la liga real de la NBA, que creo que surgió después de este), sabrás que la mecánica para lanzar una pelota, desde la perspectiva del jugador, es bastante sencilla. Mantienes presionado el botón de
lanzamiento
y lo sueltas con una sincronización perfecta. ¿Alguna vez te preguntaste cómo se realiza este lanzamiento desde la
perspectiva
del juego? ¿Cómo se elige la parábola de la pelota? ¿Cuán fuerte se arroja la pelota? ¿Cómo sabe la computadora el ángulo de lanzamiento?
Si eres una persona inteligente con inclinación a las matemáticas, tal vez puedas hallar las respuestas con lapicera y papel. Sin embargo, el autor de esta entrada de blog reprobó algebra en 8.º grado, así que esas respuestas de “personas inteligentes” quedan descartadas. Tendré que abordar esto de otro modo.
En lugar de tomar el camino más sencillo, rápido y eficiente de hacer los cálculos que se requieren para el lanzamiento, veremos el tema en profundidad, aprenderemos opciones simples de TensorFlow e intentaremos hacer algunos lanzamientos.
Primeros pasos
Necesitaremos varias cosas para recorrer este proyecto.
Unity
para la simulación y la física del baloncesto
Node.js
y
TensorFlow.js
para preparar el modelo
TensorFlowSharp
para incorporar nuestro modelo a Unity a través del
paquete de recursos de ML-Agents
tsjs-converter
para convertir los modelos de TensorFlow.js en gráficos que podamos usar en Unity.
Hojas de cálculo de Google
para visualizar de manera sencilla nuestra regresión lineal
No hay problema si no eres experto en alguna de estas tecnologías. (¡Definitivamente yo mismo no lo soy!). Voy a hacer todo lo posible para explicar cómo estas piezas encajan. Una desventaja del uso de tantas tecnologías variadas es que no podré explicar todo en detalle, pero intentaré vincularlas con recursos educativos en la medida de lo posible.
Descargar el proyecto
No intentaré recrear este proyecto paso a paso. Por ello, sugiero que obtengas el
código fuente en Github
y sigas mis explicaciones a medida que cuente lo que sucede.
Nota:
Tendrás que descargar e importar el paquete de recursos de Unity de
ML-Agents
para que Tensorflow pueda usarse en C#. Si observas errores relacionados con TensorFlow que no se encuentren en Unity, asegúrate de seguir los
documentos de configuración de Unity para TensorflowSharp.
¿Cuál es nuestro objetivo?
A los efectos de aportar simplicidad, el resultado que buscaremos en este proyecto será increíblemente simple. Queremos resolver lo siguiente:
si el lanzador se encuentra a una distancia X del aro, se lanzará la pelota con una fuerza Y
. ¡Eso es todo! No intentaremos apuntar ni hacer otras cosas sofisticadas con ella. Solo intentaremos deducir cuán difícil es arrojar la pelota para hacer el lanzamiento.
Si estás interesado en aprender a hacer sistemas de IA más complejos en Unity, debes consultar el proyecto mucho más completo de
ML-Agents
de Unity. Los métodos que analizaré aquí están diseñados para ser simples y accesibles, y no necesariamente representan prácticas recomendadas (¡yo también estoy aprendiendo!).
Mi conocimiento limitado en materia de TensorFlow, aprendizaje automático y matemática es básico. No tomes lo expuesto como algo incuestionable y ten en cuenta que el objetivo de todo esto es divertirse.
El aro y la pelota
Ya discutimos la esencia de nuestro propósito: lanzar al aro. Para lanzar una pelota al aro, necesitas un aro y... una pelota. Aquí es donde Unity se suma a la ecuación.
Si no conoces Unity, solo necesitarás saber que es un motor de juegos que te permite crear juegos en 2D y 3D para todas las plataformas. Cuenta con física, modelado básico de 3D y un fabuloso tiempo de ejecución de secuencias de comandos (
Mono
) que permite escribir nuestro juego en
C#
.
No soy un artista, pero moví algunos bloques y armé esta escena.
El bloque rojo es
obviamente
nuestro jugador. Los aros se configuraron con
desencadenadores
invisibles que nos permiten detectar el momento en que un objeto (la pelota) atraviesa el aro.
En el editor de Unity podrás ver los desencadenadores invisibles resaltados en verde. Notarás que hay dos desencadenadores. Esto es para que podamos asegurarnos de solo contar tantos cuando la pelota pase por completo de arriba abajo.
Al ver el método OnTriggerEnter en /Assets/BallController.cs (la secuencia de comandos que tendrá cada instancia de nuestro baloncesto), podrás observar el uso conjunto de estos dos desencadenadores.
<a href="https://medium.com/media/834ba6f0501d2b585fcad63c61cee7c4/href">https://medium.com/media/834ba6f0501d2b585fcad63c61cee7c4/href</a>
Esta función hace algunas cosas. En primer lugar, controla que se activen el desencadenador superior y el inferior, luego cambia el material de la pelota para que podamos ver que la pelota se encestó y, finalmente, aparta las dos variables claves que nos importan: distance y force.y.
Realizar lanzamientos
Abre /Assets/BallSpawnerController.cs. Esta es una secuencia de comandos que se encuentra en nuestro lanzador y hace el trabajo de reproducir pelotas e intentar encestar. Observa este fragmento cerca del final del método DoShoot().
<a href="https://medium.com/media/93427a7c6d2042daaccf57ec2b93c2fd/href">https://medium.com/media/93427a7c6d2042daaccf57ec2b93c2fd/href</a>
Este código crea una instancia nueva de una pelota, luego establece la fuerza con la que se realizará el lanzamiento y la distancia del objetivo (para que puedas apartar esto más fácilmente luego, como se mostró en el último fragmento).
Si aún tienes /Assets/BallController.cs abierto, puedes ver nuestro método Start(). Este código se invoca cuando se crea un nuevo baloncesto.
<a href="https://medium.com/media/23cfcef817d5a12e42bf1e6710042d07/href">https://medium.com/media/23cfcef817d5a12e42bf1e6710042d07/href</a>
En otras palabras, creamos una pelota nueva, le damos fuerza y luego la destruimos automáticamente después de 30 segundos porque habrá muchas y nos convendrá mantener la razonabilidad.
Intentemos ejecutar todo esto y veamos cómo funciona el disparador estelar. Puedes presionar el botón ▶️ (Play) en el editor de Unity y veremos…
Nuestro jugador, cariñosamente apodado “Red”, está casi listo para competir contra Steph Curry.
Entonces ¿por qué es Red tan mal lanzador? La respuesta está en una línea de Assets/BallController.cs que dice float force = 0.2f. En esta línea, se establece de manera tajante que cada disparo debe ser exactamente igual. Observarás que Unity toma esto de manera muy literal. El mismo objeto, con las mismas fuerzas, duplicado una y otra vez siempre rebotará exactamente de la misma manera. Genial.
Esto, por supuesto, no es lo que deseamos. Nunca aprenderemos a disparar como Lebron si no probamos nada nuevo, así que agreguemos a esto un poco de acción.
Aleatorizar disparos, recopilar datos
Podemos introducir ruido aleatorio cambiando simplemente la fuerza de modo que sea aleatoria.
<a href="https://medium.com/media/4cf38ebf5e5f7a5e762f818245030ce5/href">https://medium.com/media/4cf38ebf5e5f7a5e762f818245030ce5/href</a>
Esto combina nuestros tiros para que podamos finalmente experimentar el momento en que la bola atraviesa el aro, incluso si lleva un rato acertar.
Red es muy tonto; encestará de tanto en tanto, pero será exclusivamente cuestión de suerte. Esto, de todos modos, está bien. En este punto, cualquier tiro es un punto de datos que podemos usar. Llegaremos a eso en un momento.
Mientras tanto, no queremos realizar lanzamientos desde un solo lugar. Queremos que Red realice lanzamientos con éxito (cuando tenga suficiente suerte) desde cualquier distancia. En Assets/BallSpawnController.cs, busca estas líneas y elimina los comentarios de MoveToRandomDistance().
<a href="https://medium.com/media/5bc2bb19dca0d075e93a27f6571e2c36/href">https://medium.com/media/5bc2bb19dca0d075e93a27f6571e2c36/href</a>
Si ejecutamos esto, veremos a Red saltando con entusiasmo por la cancha después de cada disparo.
Esta combinación de movimientos y fuerzas aleatorios genera algo fabuloso: datos. Si miras la consola en Unity, verás datos que se apartan de cada disparo ante cada intento exitoso.
Con cada disparo exitoso se apartan el # de los lanzamientos exitosos hasta el momento, la distancia del aro y la fuerza que se requiere para realizar el lanzamiento. Aunque esto es bastante lento, debemos aumentarlo. Regresa al punto en el que agregamos la llamada MoveToRandomDistance() y cambia 0.3f (retardo de 300 milisegundos por lanzamiento) a 0.05f (retardo de 50 milisegundos).
<a href="https://medium.com/media/b7446af7d293c2abdb39cab6a4a2a1ef/href">https://medium.com/media/b7446af7d293c2abdb39cab6a4a2a1ef/href</a>
Ahora presiona el botón de reproducción y mira la lluvia de lanzamientos exitosos.
¡
Ese
sí que es un buen ritmo de preparación! Se puede ver en el marcador de atrás que aproximadamente el 6,4% de los lanzamientos se realizan con éxito. No es Steph Curry. Hablando de preparación, ¿estamos realmente
aprendiendo
algo de esto? ¿Dónde está TensorFlow? ¿Por qué es interesante esto? Bueno, ese es el siguiente paso. Ahora estamos preparados para extraer estos datos de Unity y crear un modelo para que permita predecir la fuerza necesaria.
Predicción, modelos y regresión
Verificar los datos en Hojas de cálculo de Google
Antes de abordar TensorFlow, quisiera ver los datos. Por ello, dejé que Unity se ejecutara hasta que Red encestara 50 lanzamientos. Si miras en el directorio raíz del proyecto de Unity, verás un archivo nuevo llamado successful_shots.csv. Se trata de un vaciado de memoria sin procesar, de Unity, ¡por cada lanzamiento exitoso! Hice que Unity exportara esto para poder analizarlo fácilmente en una hoja de cálculo.
El archivo .csv solo tiene tres filas: índice, distancia y fuerza.
Importé este archivo
en hojas de cálculo de Google y creé un
Scatterplot
con una
línea de tendencia
que nos permitirá tener una idea de la distribución de nuestros datos.
¡Oh! Mira eso. Mira
eso.
En serio, oh... Bien, lo admitiré, al principio tampoco yo estaba seguro de lo que esto significaba. Permíteme explicarte lo que estamos viendo.
En este gráfico se muestra una serie de puntos que se ubican a lo largo del eje Y, según la fuerza del lanzamiento, y del eje X, según la distancia desde la que se realizó el disparo. Lo que se ve es una clara correlación entre la fuerza que se requiere y la distancia desde la que se realiza el lanzamiento (con excepciones aleatorias que generaron rebotes extraños).
En la práctica, esto puede interpretarse como “TensorFlow será
muy
bueno en esto”.
Aunque este caso de uso es simple, una de las grandes ventajas de TensorFlow es que, si lo quisiéramos, podríamos crear un modelo más complejo usando un código similar. Por ejemplo, en un juego completo, podríamos incluir características como las posiciones de los otros juegos y estadísticas sobre la frecuencia con que se bloquearon los lanzamientos en el pasado para determinar si nuestro jugador debe hacer un lanzamiento o un pase.
Crear el TensorFlow.js de nuestro modelo
Abre el archivo tsjs/index.js en tu editor favorito. Este archivo no está relacionado con Unity y es solo una secuencia de comandos para preparar nuestro modelo según los datos de successful_shots.csv.
Este es el método completo que prepara y guarda nuestro modelo...
<a href="https://medium.com/media/48bb2ad5058e7bbb3ee829c4659780cc/href">https://medium.com/media/48bb2ad5058e7bbb3ee829c4659780cc/href</a>
Como puedes ver, no es complicado. Cargamos nuestros datos del archivo .csv y creamos una serie de puntos X e Y (¡parece algo muy similar a la hoja de cálculo de Google anterior!). A partir de esto, se solicita al modelo que se “adecúe” a estos datos. Después de eso, se guarda nuestro modelo para usos futuros.
Lamentablemente, no se espera para TensorFlowSharp un modelo en el formato en el que Tensorflow.js pueda guardar elementos. Por lo tanto, debemos aplicar algunos toques mágicos de traducción para poder introducir nuestro modelo en Unity. He incluido algunas utilidades para ayudar en este proceso. En líneas generales, el proceso consiste en traducir el modelo del formato TensorFlow.js al
Keras
, lo cual nos permite
marcar un punto de control
que combinaremos con nuestra
definición de gráfico de Protobuf
para obtener una
definición de gráfico de Frozen
que podamos incluir en Unity.
Afortunadamente, si quieres seguir jugando puedes omitir
todo eso
y solo ejecutar tsjs/build.sh. Si todo sale bien, seguirá todos los pasos automáticamente e introducirá el modelo sin actualizar en Unity.
Dentro de Unity, se puede observar GetForceFromTensorFlow() en Assets/BallSpawnController.cs para la interacción con nuestro modelo.
<a href="https://medium.com/media/90eb3de32a320803ad49c628cae5eb47/href">https://medium.com/media/90eb3de32a320803ad49c628cae5eb47/href</a>
Cuando realizas una definición de gráfico, defines un sistema complejo que tiene varios pasos. En nuestro caso, definimos nuestro modelo como una única capa densa (con una capa de entrada implícita). Esto significa que nuestro modelo toma una única entrada y nos da alguna salida.
Cuando uses
model.predict
en TensorFlow.js, este proporcionará automáticamente tu entrada al nodo del gráfico de entrada correcto y a ti te proporcionará la salida del nodo correcto una vez que se complete el cálculo. Sin embargo, TensorFlowSharp funciona de manera diferente y exige interactuar de forma directa con los nodos del gráfico a través de sus nombres.
Con eso en mente, es cuestión de incluir nuestros datos de entrada propios en el formato que nuestro gráfico espera y enviar la salida de regreso a Red.
¡Es día de juegos!
Usando el sistema anterior, creé algunas variaciones en nuestro modelo. Aquí está Red haciendo lanzamientos y usando un modelo preparado con solo 500 lanzamientos exitosos.
¡Se puede observar un aumento de casi 10 veces en el número de pelotas encestadas! ¿Qué sucede si preparamos a Red durante un par de horas y juntamos 10 o 100 mil lanzamientos exitosos? ¡Esto seguramente mejorará su juego aún más! Dejaré que eso corra por tu cuenta.
Te recomiendo mucho ver
código fuente en Github
y
enviarme un tuit
si puedes superar el índice de éxito del 60% (adelanto: superar el 60% es totalmente posible; regresa y mira el primer gif para ver cuán bien puedes preparar a Red).
Labels
.app
.dev
.txt
#AMP
#CPU
#DeveloperStudentClubs
#DevFest
#DragonBall
#DSC
#Forsety
#ForsetySecurity
#freeandopen
#GCP
#Google
#GoogleCloud
#GoogleCloudPlatform
#GoogleLaunchpad
#iio2009
#Kubernetes
#MaterialDesign
#OneCommunity
#Security
#TensorFlow
#UPGlobal
#UpLatam
#WithGoogle
+page
10 YEARS
2013
2019
64 bits
A/B Testing
AA
Accelerator
Action on Goolge
actionbar
Actions
Actions Console
AdMob
Ads
adwords
adwords api
AI
AIY
ajax
alarmmanager
ALFA
almacenamiento
alojamiento de proyectos en google code
AMP
AMP Conf
AMP Project
amp-date-picker
amphtml
Analytics
Andorid
android
Android (operating System)
Android 3.1
android 3.3
android 4.2
android 9
Android 9 Pie
Android App Bundle
android design
Android Dev Summit
Android Developers
android Jetpack
Android P
Android SDK
Android Studio
Android Things
Android Wear
AndroidDevStory
androititlan
angelina jolie
Annotation
Announcements
anuncios
API
API Analytics YouTube
Apigee
APIs
Aplicaciones
aplicaciones chrome
app
app engine
App Indexing
app invites
App Server
applications
AppQuality
apps
Apps Script
AR
ARCore
arte
ATLAS
AWP
backend
Base64
batch
Bava
Betatesting
Better Ads Standars
bigdata
BigQuery
Biometrics
blink
bootcamp
BOT
BQ
Business
búsqueda ajax
by Google
byCases
byCommunity
byDevelopers
byGoogle
C++
CALENDAR
Cardboard
case
caso de éxito
Casos de éxito
casos destacados
CCOSS
Century Fox
chat
chrome
chrome web store
chromebook
chromecast
chromium
Cinéfilos
cloud
Cloud Anchors
CLOUD endpoints
Cloud Firestore
Cloud Functions
Cloud IoT Core
Cloud Next
Cloud Scheduler
Cloud services
cloud test lab
Cloud Text-to-Speech
Cloud Translation
CMD en vivo
coconut
code
code-in
code.org
CodeLabs
código
código abierto
Colab
colombia
Communities
Comunidades
concurso google
conference
contenedores
convocatoria
Coordinate
crashlytics
CRE
crear aplicaciones ajax
creatividad
Crowdsource
CSS
cws
daniela robles
dart
dart sdk
dartium
dartlang
Dataset
DCL
denis labelle
desarrolladores
Desarrolladores Google
desarrolladores LatAm
Desarrollar
Design
Design Sprint
Destacados
dev
Dev.f
DevArt
DevBus
DevBusLatAm
Developer Bus
Developer Summit
DeveloperConsole
developers
DevFest
devoxx
dialogflow
diseño UX
Distribuir
DNS
DOM
domain
DonkeyCar
doubleclick
Drive SDK
Drivers
ecommerce
ecosistema
elections
elizalde
Emoticons
emprendedores
empresas
engagement
english
Enhanced Campaigns
enterprise
eventos
Events
evolución de aplicaciones
Excel
ExpertosDicen
Faas
Family
FanBridge
FCM
FCP
Featured
fido
find people
Fintech
firebase
Firebase Cloud Messaging
firebase summit
flu trends
Flutter
Flutter 1.0
flutter 1.7
flutter developers
Flutter Live
FlutterLive
FoundersLab
Freebase
Fuction
Fuctions
Full-Stack
functional programming
G Suite Dev Show
G+
g+ goto gal
G+GotoGal
GAE
game
games
GCloud
gcm
GCP
GCS
GDA
GDE
GDG
GDH
GDL
GDLevent
GDS
Get Inspired
get.app
GitHub
GLP
gmail
golang
GOMO
Google
Google Accelerator
Google AdMob SDK
Google AdWords
Google Analytics
Google APIS
Google App Engine
Google Apps
Google Apps Script
Google Art Project
Google Assistant
google calendar
google cast
Google Charts
Google Chrome
Google Cloud
Google Cloud Console
Google Cloud Messaging
Google Cloud Next
Google Cloud Platform
Google Cloud Platform Newsletter
google cloud platforn
Google Cloud Storage
google code-in
Google Compute Engine
Google Dataset
Google Developer Groups
google developers
Google Developers Academy
google developers expert
Google Developers Hackademy
google dns
Google Drawings
Google Drive
Google Earth
Google for games
Google Forms
google geo
Google Home
google i/o
google i/o extended
google io
Google Keep
Google Kubernetes Engine
Google Launchapad
Google Launchpad
Google Maps
google maps coordinate
Google Maps Platform
Google Mexico
Google Nose
google now
Google Person Finder
google places api
Google Play
Google Play Books
Google Play Developer API
google play games
Google Play Movies
Google Play Protect
Google Play Services
Google Plus
Google Science Fair
google search
Google Sheets
google sign in
Google Top Geek
Google+
Google+ Communities
Google+ Hangouts
google+ sign-in
GoogleAPI
googlecloud storage
GoogleCloudPlatform
googledevs
GooglePlay
Googleplex
Goolge Lunchpad
GTG
Hackademy
hackers
Haiko
Haití
hangouts
Hangouts Remote Desktop
hardcode
Heello
honeycomb
HTML
HTML5
HTTPS
I/O
IA
IAM
IETF
IFAI
in app purchases
in-app
ingles
Ingress
instagram
integración de soluciones
interactive post
Interesante
International
International Women’s Day
IO
io15
io18
io19
iOS
IoT
istio
IU
IVR
J2EE
java
JavaScript
jelly bean
JS
JSON
Juegos
juegos html5
Kit ML
Knative
kotlin
kUBERNATES
Kubernetes
LATAM
latamRegionSur
Launchpad
Launchpad Studio
Lenovo Mirage Solo
lightbox
linux
lucero galindo
machine learning
Made with Code
Mapdata
Mapeo
maps
Maps Ad Unit
Maps API
Maps Engine
Market
Marketing
Marshmallow
MATERIAL DESIG
Material Design
mejores apps 2013
México
michelle marie
MIT
MIT Global Start-up Labs
MIT-AITI
ML
ML Kit
mobile
monetizar
mongoDB
MOOC
Motorola
Mountain View
móvil
MQTT
mr.white
mTLS
natalie villalobos
Navigation
NBA JAM
NES
Next Big Sound
Next Level
nfc
Niantic
Nik
NINTENDO
node.js
NoSQL
nube
OAuth2
Objective-C
OClock
open source
OPenApi
OS
OSS
Paas
PageSpeed
PagesSpeed
parallel18
patrones
patters
performance
permisos
Pipeline API
Pixability
pixel
Píxel
play
Play Console
Playtime
Podcast
pollito pio
Polymer
por lote
Posse
Prediction API
primer
Producto
programación
Propositos
Protocol Buffers
proyecto 20%
Push API
PYMES
python
Q
Q4
quickoffice
Rasberry Pi Zero WH
Raspberry Pi
Realtime
Reflectly
register
Release
Resources
robots.txt
Safe
SDK
Search
Security
seedbank
seguridad
SEO
servidores
Showyou
sign-in
SNES
SO
social media
Spain
SpLATAM
SQL
SQLite
Start
startup grind
Startup Launch
startup weekend
startup weekend for the planet
startupbus
startups
StayAtHome
story
Street View
subtitles
success
sw
SyScan
tablet
Tablet Optimization Tips
tabletas
takeaction
Tango
tendencias 2013
TensorFlow Developer Summit
testing
TextView
TF JAM
The Garage
The Venture City
tips G+
tips gmail
TLD
TLS
Top Experts
Top Geek
top level domain
TopExpert
topics
traducciones
Transparency Report
triggers
Tubular Labs
twilio
Tyka
TypeScript
UAC
udacity
ui
Umbrales
UNAM
unity
Unity3D
universal search
UX
Vector
VectorDrawable
video juegos
vidIQ
ViewPager
Visual Progress
Voicekit
VPC
VR
VSCode
web
Web hosting
Web móvil
WebAssembly
with google
Wizdeo
WizTracker
Women at Google
Women Techmakers
workmanager
WTM
XKCD
XML
Yifat Cohen
youtube
YouTube Analytics API
YouTube API
YouTube Data API
YouTube One Channel
YouTube Player API
Archive
2024
sept
2023
nov
oct
sept
ago
jun
may
abr
mar
ene
2022
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2021
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
2020
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2019
dic
nov
oct
sept
ago
jun
may
abr
mar
feb
ene
2018
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
2017
nov
sept
ago
jul
jun
may
abr
ene
2016
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2015
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2014
dic
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2013
dic
nov
oct
ago
jul
jun
may
abr
mar
feb
ene
2012
dic
nov
oct
sept
ago
jul
2011
nov
oct
may
mar
2010
dic
nov
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2009
dic
nov
sept
ago
jul
jun
may
abr
mar
feb
ene
2008
oct
sept
ago
jul
jun
may
abr
mar
feb
ene
2007
dic
Feed
Desarrolladores
Eventos y Comunidad
Casos Destacados
Dicen los Expertos
Google Accelerator
