Keras datasets

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

Para el reto de la semana cargué el dataset de Fashion MNIST:

Creo que es una bota jajajaja

Hay un error en uno de los print. La corrección es la siguiente:

print(cifar100_labels[y_train[num_label][0]])

Utilice el Dataset fashion_mnist e hice la consulta al elemento 52

aparte me cree una variable de llaves, de acuerdo a la informacion del dataset de Keras

Pero no se si sea correcto hacer esto

import tensorflow as tf
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import fashion_mnist

(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
fashion_mnist_labels = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

num_image = 52
plt.imshow(x_train[num_image])
print(fashion_mnist_labels[y_train[num_image]])

Si están en un entorno como VSCode y el comando wget no se los reconoce, pueden internar de la siguiente forma con curl

!curl -k -o  cifar100_labels.json https://storage.googleapis.com/platzi-tf2/cifar100_labels.json

Conjuntos de datos de Keras: una poderosa herramienta para el aprendizaje profundo
Keras, un popular marco de aprendizaje profundo creado sobre TensorFlow, proporciona una manera conveniente de acceder y utilizar varios conjuntos de datos para entrenar y evaluar sus modelos. Estos conjuntos de datos están preprocesados ​​y listos para usarse con el mínimo esfuerzo, lo que le permite ahorrar tiempo y recursos valiosos.

Conjuntos de datos integrados:

• Keras ofrece un puñado de conjuntos de datos integrados, también conocidos como conjuntos de datos de juguete, que son pequeños y adecuados para principiantes o experimentación rápida. Estos conjuntos de datos se utilizan normalmente para tareas como clasificación o regresión de imágenes. Algunos ejemplos populares incluyen:

MNIST

• Este conjunto de datos clásico consta de dígitos escritos a mano (0-9) en varios tamaños y orientaciones. Es un excelente punto de partida para los problemas de clasificación de imágenes.

CIFAR-10

• Conjunto de datos de pequeñas imágenes en color que pertenecen a 10 clases diferentes (p. ej., aviones, automóviles, perros). Es un poco más complejo que MNIST y se utiliza a menudo para la clasificación de imágenes con redes neuronales convolucionales (CNN).

CIFAR-100

• Una versión extendida de CIFAR-10 con 100 clases de objetos, que proporciona una tarea de clasificación más desafiante.

Boston Housing

• Conjunto de datos que contiene información sobre casas en Boston, Massachusetts. Se utiliza habitualmente para tareas de regresión, como predecir los precios de la vivienda.

Utilice la base de datos de fashion_mnist y obtuve un bolso

from tensorflow.keras.datasets import fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()

num_image = 99
plt.imshow(x_train[num_image])
print(y_train[num_image])
print(labels[y_train[num_image]])

Pueden ocupar la función squeeze para quitarle una dimensión a y_train. Ya que y_train[40] devuelve un [40] y queremos solo el numero para luego buscarlo en el json

print(y_train[40].squeeze(0)) -> devuelve 40 en vez de [40]
print(cifar100_labels[y_train[40].squeeze(0)]) -> ocupamos ese indice dentro del json

MNIST digits classification 😃

La importancia de cargar %matplotlib inline para contar con todos los beneficios de Matplot en Colab antes de cargar la librería %matplotlib inline import matplotlib.pyplot as plt

Mas facil :

import pandas as pd
jso=pd.read_json("https://storage.googleapis.com/platzi-tf2/cifar100_labels.json")
jso[0][78]

#desacargamos la subclase.
(x_train,y_train),(x_text,y_test) = tf.keras.datasets.
cifar100.load_data(label_mode=“fine”)

from tensorflow.keras.datasets import fashion_mnist
 (x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
plt.imshow(x_train[10])

Si estan de forma local y no pueden por alguna razon hacer wget o curl, también puede ejecutar este codigo de python

import urllib.request
url = 'https://storage.googleapis.com/platzi-tf2/cifar100_labels.json'
filename = 'cifar100_labels.json'
urllib.request.urlretrieve(url, filename) 

Por si a alguien no le sale la importacion de keras, la siguiente puede ser una alternativa:

from tensorflow import keras

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100.load_data()

Trabaje con el dataset de MNIST

from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
assert x_train.shape == (60000, 28, 28)
assert x_test.shape == (10000, 28, 28)
assert y_train.shape == (60000,)
assert y_test.shape == (10000,)

num_image = 55
plt.imshow(x_train[num_image])
print(y_train[num_image])

num_image = 36
plt.imshow(x_train[num_image])
print(y_train[num_image])

Tambien cargué el dataset fashion_mnist
![](