Keras datasets

Keras nos ofrece una serie de datasets predeterminados con los cuales alimentar modelos, estas bases de datos son ideales para probar el rendimiento de diferentes algoritmos de machine learning porque sus datos se encuentran bastante limpios y listos para ser digeridos.

En la documentación oficial de Keras puedes encontrar los datasets disponibles, para esta ocasión trabajaremos con CIFAR100, un dataset de 60.000 imágenes de 100 clases diferentes relacionadas a objetos del mundo como vehículos, animales y demás.

Puedes leer la estructura básica y un quickstart de uso en la documentación, si quieres más detalle, puede ir a la página oficial del dataset donde tendrás acceso a información más específica.

Descargando y manipulando Keras datasets

Importaremos los módulos a trabajar, donde el protagonista será TensorFlow.

import tensorflow as tf
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt

Para extraer el dataset, haremos uso del módulo de datasets de Keras (que viene incluido en TensorFlow).

from tensorflow.keras.datasets import cifar100

Cargaremos el dataset con la función load_data y será almacenada en 2 tuplas relacionadas a los datos de entrenamiento (que serán 50.000) y los datos de prueba (los 10.000 restantes).

(x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode = "fine")

Si verificamos las dimensiones del set de entrenamiento, obtendremos en x un conjunto de 50.000 imágenes de 32x32 en 3 canales RGB, mientras que las etiquetas serán un array de 50.000 elementos del 0 al 99.

print(x_train.shape)
print(y_train.shape)

(50000, 32, 32, 3)
(50000, 1)

Podemos acceder a cualquier elemento del dataset y graficarlo con matplotlib, donde la etiqueta será 78, pero, ¿Qué significa este valor?

num_image = 40
plt.imshow(x_train[num_image])
print(y_train[num_image])
78

Generalmente, las etiquetas son guardadas en sesiones diferentes, es decir, externamente existe un diccionario de “traducción” de estos valores a su homólogo real. Para obtener esta traducción, haremos su descarga desde un repositorio externo.

!wget --no-check-certificate https://storage.googleapis.com/platzi-tf2/cifar100_labels.json \
    -O /tmp/cifar100_labels.json

Deserializaremos el JSON para hacerlo compatible con los diccionarios de Python.

import json
with open("/tmp/cifar100_labels.json") as fine_labels:
  cifa100r_labels = json.load(fine_labels)

Ahora podemos entender a qué se refieren las etiquetas numéricas.

num_label = 78
plt.imshow(x_train[num_label])
print(cifar100_labels[y_train[num_label][0]])
Forest

Con esto hemos cargado un dataset funcional para ser procesado y digerido por tus modelos.

Contribución creada por Sebastián Franco Gómez.