Redes convolucionales y su importancia

1

La importancia del computer vision

2

驴Qu茅 herramientas usaremos para redes neuronales convolucionales?

3

驴Qu茅 son las redes convolucionales?

Mi primera red neuronal convolucional

4

Creando nuestra primera red convolucional

5

Entrenando nuestra primera red convolucional

Manejo de im谩genes

6

Consejos para el manejo de im谩genes

7

Manejo de im谩genes con Python

Fundamentos de redes neuronales convolucionales

8

Kernel en redes neuronales

9

El kernel en acci贸n

10

Padding y Strides

11

Capa de pooling

12

Arquitectura de redes convolucionales

Quiz: Fundamentos de redes neuronales convolucionales

Resolviendo un problema de clasificaci贸n

13

Clasificaci贸n con redes neuronales convolucionales

14

Creaci贸n de red convolucional para clasificaci贸n

15

Entrenamiento de un modelo de clasificaci贸n con redes convolucionales

Optimizaci贸n de red neuronal convolucional

16

Data augmentation

17

Aplicando data augmentation

18

Callbacks: early stopping y checkpoints

19

Batch normalization

20

Optimizaci贸n de modelo de clasificaci贸n

21

Entrenamiento de nuestro modelo de clasificaci贸n optimizado

Quiz: Optimizaci贸n de red neuronal convolucional

Resolviendo una competencia de Kaggle

22

Clasificando entre perros y gatos

23

Entrenamiento del modelo de clasificaci贸n de perros y gatos

Resumen y siguientes pasos

24

Siguientes pasos con redes neuronales convolucionales

25

Comparte tu proyecto de clasificaci贸n con redes convolucionales y certif铆cate

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Capa de pooling

11/25
Recursos

Aportes 6

Preguntas 1

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

RESUMEN

padding = 鈥榮ame鈥 aumenta linea alrededor para que posicion 1,1 puede ser procesada mas de 1 vez

Luego se aplica lo contrario con MaxPooling

  • Reduce en imagen la linea alrededor
  • Ademas que elimina el ruido
  • El mas comun es el parametro MAX

ESTE CURSO ESTA ASOMBROSO, ME COSTO AL INICIO, PERO ME ESTA ABRIENDO A GRANDES POSIBILIDADES.

Y QUE TAL UN MODELO QUE DETECTE LA POSIBILIDAD DE QUE UNA PERSONA ESTA NERVIOSA AL ENTRAR A UN SUPEMERCADOS, PODRIA TENER MAS PROBABILIDAD DE ROBAR UN ARTICULO, O POR EJEMPLO COMO ES LA REACCION SI AL ENTRAR VE UNA IMAGEN DE UNA AUTORIDAD, COMO SE MUESTRA EN SU ROSTRO. CLARO QU ESA IMAGEN SERIA UN TRIGGER A UNA EMOCION, Y ESA IMAGEN DEBE IRSE CAMBIANDO CON EL TIEMPO鈥 PODER DETECTAR EMOCIONES CON IMAGENES.

Capa de pooling

A medida que se avanza en la profundidad de la red van aumentando el n煤mero de im谩genes generadas por los filtros y por lo tanto el n煤mero de img a procesar lo que ocasionara una sobrecarga de computaci贸n.

Para esto la capa de pooling nos servir谩 para disminuir el tama帽o de las im谩genes resultantes de la convoluci贸n gracias a un kernel (mas usados son: max[conserva el pixel mas alto de un grupo de pixeles] y avarage[saca el promedio de un grupo de pixeles]) que realizara una operaci贸n de agrupamiento. Gracias a esta operaci贸n se reduce el ruido mientras se conserva las caracter铆sticas m谩s importantes de la imagen.

En resumen, mientras avancemos en las capas de la CNN:

  1. Se ira aumentando el n煤mero de canales en la imagen (im谩genes resultantes de convoluci贸n)

  2. Se ira disminuyendo el tama帽o de las im谩genes debido a la capa de pooling.

Estas 2 operaciones permitir谩n detectar resaltar objetos espec铆ficos en una imagen, sin tener problemas de computaci贸n.

Desde la convoluci贸n b谩sica al Max Pooling es en plan que se hace el zoom out y bajando la resoluci贸n.

La capa de pooling tambi茅n es llamada capa de agrupaci贸n.
Mira esto