🧙🏼♂️ Cuando estamos usando el flow_from_directory y definimos el class_mode ‘binary’ noten que identifica que cada carpeta corresponde a una categoría en particular. es importante que cuando carguemos nuestra data esté debidamente organizada para no causar desastres de ahí en adelante.
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,
Entrenamiento del modelo de clasificación de perros y gatos
23/25Recursos
Aportes 4
Preguntas 4
Ordenar por:
Logré un accuracy de 0.90 use una arquitectura diferente, con:
C32, C64, C128, C256, C512, C512, D512, Dropout 0.3, D1
- C Conv2D
- D Dense
Dejo el link del Notebook, ya que también use las capas de MaxPool y BatchNormalization en cada convolución.
El error fue que en la capa de salida del modelo el profesor puso 1 neurona en vez de 2, solo hay que corregir eso y podras hacer predicciones
Found 1000 images belonging to 2 classes.
Found 2000 images belonging to 2 classes.
Epoch 1/10
1/32 ━━━━━━━━━━━━━━━━━━━━ 5:50 11s/step - accuracy: 0.5000 - loss: 0.6948
31/32 ━━━━━━━━━━━━━━━━━━━━ 0s 387ms/step - accuracy: 0.5336 - loss: 0.7417
32/32 ━━━━━━━━━━━━━━━━━━━━ 41s 963ms/step - accuracy: 0.5326 - loss: 0.7399 - val_accuracy: 0.5755 - val_loss: 0.6924
Epoch 2/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 432us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00
Epoch 3/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 289ms/step - accuracy: 0.5488 - loss: 0.6931 - val_accuracy: 0.5075 - val_loss: 0.6892
Epoch 4/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00
Epoch 5/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 297ms/step - accuracy: 0.5186 - loss: 0.6887 - val_accuracy: 0.6245 - val_loss: 0.6655
Epoch 6/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00
Epoch 7/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 304ms/step - accuracy: 0.6038 - loss: 0.6731 - val_accuracy: 0.6155 - val_loss: 0.6613
Epoch 8/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 367us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00
Epoch 9/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 299ms/step - accuracy: 0.6291 - loss: 0.6470 - val_accuracy: 0.6290 - val_loss: 0.6559
Epoch 10/10
32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?