Cómo utilizar TensorFlow 2.0 con Python

1

Redes neuronales con TensorFlow

2

Introducción a TensorFlow 2.0

Manejo y preprocesamiento de datos para redes neuronales

3

Uso de data pipelines

4

Cómo cargar bases de datos JSON

5

Cargar bases de datos CSV y BASE 64

6

Preprocesamiento y limpieza de datos

7

Keras datasets

8

Datasets generators

9

Aprende a buscar bases de datos para deep learning

10

Cómo distribuir los datos

11

Crear la red neural, definir capas, compilar, entrenar, evaluar y predicciones

Optimización de precisión de modelos

12

Métodos de regularización: overfitting y underfitting

13

Recomendaciones prácticas para ajustar un modelo

14

Métricas para medir la eficiencia de un modelo: callback

15

Monitoreo del entrenamiento en tiempo real: early stopping y patience

16

KerasTuner: construyendo el modelo

17

KerasTuner: buscando la mejor configuración para tu modelo

Almacenamiento y carga de modelos

18

Almacenamiento y carga de modelos: pesos y arquitectura

19

Criterios para almacenar los modelos

Fundamentos de aprendizaje por transferencia

20

Introducción al aprendizaje por transferencia

21

Cuándo utilizar aprendizaje por transferencia

22

Carga de sistemas pre-entrenados en Keras

23

API funcional de Keras

24

Uso sistemas pre-entrenados de TensorFlow Hub

Resultados de entrenamiento

25

Introducción a variables relevantes del TensorBoard

26

Análisis y publicación de resultados del entrenamiento

27

Introducción al despliegue de modelos en producción

28

Siguientes pasos con deep learning

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Datasets generators

8/28

Aportes 7

Preguntas 8

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Buscando dataset para un proyecto de reconocimiento facial me topé con Flickr-Faces-HQ Dataset (FFHQ). Además, está el siguiente artículo que proporciona más opciones de dataset.

https://analyticsindiamag.com/10-face-datasets-to-start-facial-recognition-projects/

Estoy siguiendo el proyecto de clasificación de tumores. Estas son las 5 imágenes

Trabajando con el set de imagenes de Malaria.

En este caso se trabajará con una clasificación en dos clases:

classes = ["parasitized", "uninfected"]

Para mostrar un conjunto de cinco imágenes de prueba:

def plotImages(images_arr):
  fig, axes = plt.subplots(1,5,figsize=(10,10))
  axes = axes.flatten()
  for img, ax in zip(images_arr, axes):
    ax.imshow(img[:,:,0])
    ax.axis("off")
  plt.tight_layout()
  plt.show()

sample_training_images, _ = next(train_generator) 
plotImages(sample_training_images[:5])

Vamos por buen camino! 😄

Mis imágenes están un poco rotadas para que el modelo se entrene en situaciones irregulares.
https://prnt.sc/VGNZ2YzUt8Lw
Esto lo logro con el código

    train_datagen = ImageDataGenerator(rescale = 1/255,
                                      rotation_range=40,
                                      width_shift_range=0.2,
                                      height_shift_range=0.2,
                                      shear_range=0.2,
                                      zoom_range=0.2,
                                      horizontal_flip=True,
                                      fill_mode='constant')
    test_datagen = ImageDataGenerator(rescale = 1/255, validation_split= 0.2)

Dataset para señales de tránsito árabe:
https://data.mendeley.com/datasets/4tznkn45mx/1

Excelente clase, cada vez me gusta más este curso, mi proyecto consiste en detectar neumonía en radiografías de tórax y estas son cinco de las imágenes de mi base de datos:

Encontre un dataset interesante relacionado con carros generado por la Universidad de Stanford, adjunto enlace: https://ai.stanford.edu/~jkrause/cars/car_dataset.html