Sesión 24 de Mayo Tensorflow (imagenes)¶

Recursos¶

https://colab.research.google.com/drive/1T-bgm5k8M5b8_FSKu-TZfQJFwg4TW72X?usp=sharing

Procesar datos con TensorFlow¶

¿Como cargamos datos?

¿Como visualizamos los datos?

¿Como modificamos los datos

¿Como filtramos los datos?

Sólo retornamos los que cumplan alguno criterio

Otras funciones utiles

tf.data.Dataset.from_tensor_slices(Mexico)

Cargamos los datos y se nos genera un tensor (Escalar) para cada dato

Es necesario iterar

for item in dataset:
    #Cada item es un elemento

dataset.map(lambda x: ...)

dataset.filter(lambda x: ...)

repeat(n) repetir n veces el dataset
shuffle es reordenar aleatoriamente el tensor

Caso de Housing¶

¿Como cargamos el dataset?

¿Como partimos los datos?

¿Que procesamos?

¿Como procesamos imágenes?

¿Como colocamos los nombres de la clasificación?

¿Que se hace con las imágenes?

from sklearn.datasets import fetch_california_housing

Partimos en 3 conjuntos

Datos de entrenamiento: 60%, se utilizan para entrenar la red neuronal
Datos de validación: 20% se utilizan para calcular el error de entrenamiento
Datos de prueba. 20% se utilizan para las métricas de rendimiento

Aplicamos una normalización zscore (datos con media 0 y desviación 1)

Podemos tener carpetas de imágenes que indican su categoría

"""
hotdogs/categoria1
hotdogs/categoria2
"""
#Cargamos los nombres de archivos de una carpeta
images_ds=tf.data.Dataset.list_files

##Cargamos las imagenes
**def process_image(file_path):
    label = get_label(file_path)
    img = tf.io.read_file(file_path)
    img = tf.image.decode_jpeg(img)
    img = tf.image.resize(img, [32,32])
    return img, label**

Tomar los nombres de las carpeta

def get_label(file_path):
    parts = tf.strings.split(file_path, os.path.sep)
    return parts[-2]

Como las imagenes tienen valores entre 0 y 255 lo que hacemos es scalar dividiendo por ese valor

#Hay que hacer el scale de la imagen
def scale(image,label):
    return image/255, label

train_ds = train_ds.map(scale)