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

Arquitectura de redes convolucionales

12/25
Recursos

Aportes 7

Preguntas 0

Ordenar por:

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

o inicia sesi贸n.

Hola, falt贸 agregar esto,lo cual es 煤til para el siguiente Quiz y en general ayuda mucho a comprender las CNN.

Para calcular las dimensiones de la red luego de aplicar la convoluci贸n se usa la siguiente formula:

Por ejemplo para una imagen con medidas iniciales de 28x28x1 que tiene 1 filtro de 3x3 , un padding de 鈥渟ame鈥 , 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 c谩lculo.

out = (n + 2p -f )/s +1

donde:
n es la cantidad de pixeles en la dimensi贸n que se calcular (largo o ancho)

p: n煤mero de padding
f : tama帽o del kernel o filtro
s: n煤mero de stride utilizado.

Pueden revisar con m谩s detalle en la siguiente p谩gina web
aqu铆

Alguien m谩s se dio cuenta de que en el segundo 0:07 el profe desliza su codo la tarjeta con su nombre?

La convoluci贸n: aplica filtros a la imagen de entrada 鈥渋nput鈥 sacando caracter铆sticas 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 har谩 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 鈥減adding鈥.

Cada paso de la convoluci贸n lo que hace es agregar profundidad al input

Por el contrario, cada capa de 鈥淢ax-Pooling鈥 lo que har谩 es reducir considerablemente el ancho y el largo del input apilando capas de Max-pooling.

Si se aplica tanto convoluci贸n como Max-Pooling a tu modelo, lo que har谩 es hacer m谩s profundo el input con caracter铆sticas mucho m谩s interesantes, detalladas y espec铆ficas. Como tambi茅n, reduce la imagen en su ancho y largo para que haci茅ndola mucho m谩s f谩cil de trabajarla.

Cuando ya se obtiene un arreglo un peque帽o y profundo, se usa una capa llamada 鈥渇latten鈥. Esta lo que hace es aplanar la matriz llevando el arreglo a una 煤nica dimensi贸n haciendo m谩s f谩cil llevar a cabo una clasificaci贸n (regresiones, binaria o m煤ltiples).

Arquitectura de redes convolucionales

  • Se tiene m煤ltiples im谩genes de entradas y est谩s van a pasar a trav茅s de una red de convoluci贸n el cual va a extraer caracter铆sticas como: bordes, texturas, etc.

  • Al principio estas capas son superficiales pero al adentrarse a la profundidad de la red van a ser caracter铆sticas mucho m谩s 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 caracter铆sticas mucho m谩s 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 im谩genes

  • Generando una imagen mucho m谩s peque帽a pero mucho m谩s profunda en su contexto.

  • Despu茅s se le aplica una capa llamada 鈥渇latten鈥 la cual lleva al arreglo o Tensor resultante a una 煤nica dimensi贸n.

  • Teniendo ya una 煤nica dimensi贸n, paso a llevar a cabo una clasificaci贸n apilando capas densas.

number of input features . Nin number output features . Nout convolution kernel size . K