Redes convolucionales y su importancia
La importancia del computer vision
¿Qué herramientas usaremos para redes neuronales convolucionales?
¿Qué son las redes convolucionales?
Mi primera red neuronal convolucional
Creando nuestra primera red convolucional
Entrenando nuestra primera red convolucional
Manejo de imágenes
Consejos para el manejo de imágenes
Manejo de imágenes con Python
Fundamentos de redes neuronales convolucionales
Kernel en redes neuronales
El kernel en acción
Padding y Strides
Capa de pooling
Arquitectura de redes convolucionales
Quiz: Fundamentos de redes neuronales convolucionales
Resolviendo un problema de clasificación
Clasificación con redes neuronales convolucionales
Creación de red convolucional para clasificación
Entrenamiento de un modelo de clasificación con redes convolucionales
Optimización de red neuronal convolucional
Data augmentation
Aplicando data augmentation
Callbacks: early stopping y checkpoints
Batch normalization
Optimización de modelo de clasificación
Entrenamiento de nuestro modelo de clasificación optimizado
Quiz: Optimización de red neuronal convolucional
Resolviendo una competencia de Kaggle
Clasificando entre perros y gatos
Entrenamiento del modelo de clasificación de perros y gatos
Resumen y siguientes pasos
Siguientes pasos con redes neuronales convolucionales
Comparte tu proyecto de clasificación con redes convolucionales y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 7
Preguntas 0
Hola, faltó agregar esto,lo cual es útil para el siguiente Quiz y en general ayuda mucho a comprender las CNN.
Para calcular las dimensiones de la red luego de aplicar la convolución se usa la siguiente formula:
Por ejemplo para una imagen con medidas iniciales de 28x28x1 que tiene 1 filtro de 3x3 , un padding de “same” , stride 1 y 16
canales de salida se tiene lo siguiente:
n eje x= (28+2(1) -3)/1 +1 =28
n eje y= (28+2(1) -3)/1 +1 =28
Siendo las dimensiones de salida 28x28x16
Website para graficar redes neuronales
https://alexlenail.me/NN-SVG/index.html
Para calcular la salida de una capa en redes convolucionales. Se debe realizar el siguiente cálculo.
out = (n + 2p -f )/s +1
donde:
n es la cantidad de pixeles en la dimensión que se calcular (largo o ancho)
p: número de padding
f : tamaño del kernel o filtro
s: número de stride utilizado.
Pueden revisar con más detalle en la siguiente página web
aquí
Alguien más se dio cuenta de que en el segundo 0:07 el profe desliza su codo la tarjeta con su nombre?
La convolución: aplica filtros a la imagen de entrada “input” sacando características al deslizarse el kernel por toda la imagen y estas puedan ser alimentadas en las capas posteriores. Por ejemplo: si tienes 4 kernel o filtros, lo que hará es aumentan la profundidad de la imagen y puede reducir el ancho y largo de la imagen siempre y cuando no se le haya aplicado “padding”.
Cada paso de la convolución lo que hace es agregar profundidad al input
Por el contrario, cada capa de “Max-Pooling” lo que hará es reducir considerablemente el ancho y el largo del input apilando capas de Max-pooling.
Si se aplica tanto convolución como Max-Pooling a tu modelo, lo que hará es hacer más profundo el input con características mucho más interesantes, detalladas y específicas. Como también, reduce la imagen en su ancho y largo para que haciéndola mucho más fácil de trabajarla.
Cuando ya se obtiene un arreglo un pequeño y profundo, se usa una capa llamada “flatten”. Esta lo que hace es aplanar la matriz llevando el arreglo a una única dimensión haciendo más fácil llevar a cabo una clasificación (regresiones, binaria o múltiples).
Arquitectura de redes convolucionales
Se tiene múltiples imágenes de entradas y estás van a pasar a través de una red de convolución el cual va a extraer características como: bordes, texturas, etc.
Al principio estas capas son superficiales pero al adentrarse a la profundidad de la red van a ser características mucho más complejas aprovechando el aprendizaje profundo (Deep Learning).
Al principio estas capas son superficiales pero al adentrarse a la profundidad de la red van a ser características mucho más complejas aprovechando el aprendizaje profundo (Deep Learning).
Suelen ir entrelazadas a una capa de Max-Pooling el cual reduce la complejidad acortando el largo y ancho de las imágenes
Generando una imagen mucho más pequeña pero mucho más profunda en su contexto.
Después se le aplica una capa llamada “flatten” la cual lleva al arreglo o Tensor resultante a una única dimensión.
Teniendo ya una única dimensión, paso a llevar a cabo una clasificación apilando capas densas.
number of input features . Nin number output features . Nout convolution kernel size . K
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.