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

Entrenamiento del modelo de clasificaci贸n de perros y gatos

23/25
Recursos

Aportes 3

Preguntas 1

Ordenar por:

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

o inicia sesi贸n.

馃馃徏鈥嶁檪锔 Cuando estamos usando el flow_from_directory y definimos el class_mode 鈥榖inary鈥 noten que identifica que cada carpeta corresponde a una categor铆a en particular. es importante que cuando carguemos nuestra data est茅 debidamente organizada para no causar desastres de ah铆 en adelante.

Logr茅 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 tambi茅n use las capas de MaxPool y BatchNormalization en cada convoluci贸n.

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