Faltó el “plattttziiii” al inicio del video
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
Si ya tienes una cuenta,
Batch normalization
19/25Recursos
Aportes 3
Preguntas 1
Ordenar por:
Batch Normalizacion
Es una herramienta que facilita mucho el descenso del gradiente y optimiza las redes convolucionales.
La normalización es un procedimiento llevado a cabo sobre un conjunto de datos que busca estandarizar sus valores, reducir la cantidad de números que lo compone y en una escala homogénea de datos ayudando al descenso del gradiente “para converger mucho más rápido ” cuando se ejecuta el “Backpropagation” .
-
Valores pequeños: típicamente entre 0 a 1
-
Data homogénea: todos los píxeles tienen datos en el mismo rango.
También, se puede dentro de las capas ocultas de la red neuronal llevar a cabo una normalización para así estandarizarla, a este proceso se le conoce como: “Batch Normalization”.
Sigue la misma lógica matemática de cualquier normalización:
-
Agrupo por lotes o “batches” dentro del mismo entrenamiento de la red neuronal, en consecuencia, obtengo la media del conjunto de entrenamiento.
-
Luego obtengo la varianza o desviación estándar
-
Luego a cada lote le resto la media y lo divido entre la desviación estándar. Este procedimiento se usa en la normalización de cualquier tipo de problema y así mismo ocurre dentro de la instancia en la red neural de las capas ocultas.
-
Consiguiendo como resultado que sea una data estandarizada incluso dentro del entrenamiento dentro de la red ayudando a converger el algoritmo.
La normalización por lotes es una técnica utilizada en redes neuronales profundas para estabilizar y acelerar el entrenamiento. Funciona normalizando la salida de cada capa oculta antes de pasarla a la siguiente capa, asegurando que la distribución de las activaciones se mantenga relativamente constante durante el entrenamiento.
- La normalización por lotes es una técnica poderosa para mejorar la estabilidad y velocidad de entrenamiento en redes neuronales profundas, al tiempo que proporciona cierta regularización y flexibilidad al modelo.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?