Sesión 22 de Mayo Redes Convolucionales + imágenes¶

Recursos¶

https://colab.research.google.com/drive/1yg6xoSGk8-R-kdkAWa6HrGkB1f2rs6Qn?usp=sharing

https://colab.research.google.com/drive/1oihv_3kZEUSuxI-ceYYHiSHs3GY4l6he?usp=sharing

Apuntes de clase¶

¿Como puedo ingresar puedo generar una red convolucional?

Cargar las imagenes, estas deben tener el mismo tamaño
Generar la red convolucional
Compilarla seleccionando el optimizer, la función de loss y las métricas
Entrar el modelo

modelo = Sequential()
modelo.add(Input(shape=(28,28,1))) #Capa de entrada
modelo.add(Convolution2D(64, kernel_size=3)) #Vamos a generar 64 convoluciones
modelo.add(MaxPooling2D(strides=(2,2))) #Capa de pooling (reducir dimension)
modelo.add(Convolution2D(32, kernel_size=3)) #Vamos a generar 32 convoluciones
modelo.add(MaxPooling2D(strides=(2,2))) #Capa de pooling (reducir dimension)
modelo.add(Flatten()) #Aplanar
modelo.add(Dense(10, activation="softmax"))

modelo.compile(optimizer="adam",loss="categorical_crossentropy", metrics=["accuracy"])

modelo.fit(x_train,y_train,
           batch_size=2000, #Es el número de entradas por gradiente (lote)
           epochs=15,  #Número de epocas
           validation_data=(x_test,y_test)) #Calcular el accuracy

Modelos entrenados vs preentrenados¶

Los modelos preentrenados ya vienen unas categorias especificas, ejemplo del elefante:

print('Predicted:', decode_predictions(preds, top=3)[0])
# Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458', u'African_elephant', 0.061040461)]