Clasificando entre perros y gatos
Clase 22 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras
Contenido del curso
Diego Sanz
student•
hace 4 años
Alarcon7a
student•
hace 4 años
Clase 22 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras
Contenido del curso
Diego Sanz
Alarcon7a
Rodrigo Ramos
Alarcon7a
Santiago Ahumada Lozano
Mauricio Peñuela Aristizábal
Jhon Freddy Tavera Blandon
Buenas a todos, quería consultarles: ¿por qué motivo en cada capa de convolución aumentamos la cantidad de filtros en el doble que la anterior? y ¿por qué razón el kernel es de 3X3?
Muchas gracias!
No siempre es necesario, como lo recuerdo mas adelante no hay una formula secreta, pero si es una especie de estandar conseguir mas profundidad en cada capa, el hecho de tenerlo 3x3 tampoco es obligatorio, es configurable, usualmente entrenas distintos modelos con distintas estructuras en los filtros y el tamaño del kernel y eliges la mejor!
buenas tardes, una consulta: al momento de hacer el .fit link a la notebook:
Del nombre del directorio
Adicional a las capas que planteamos, agregué regularizadores, capas de dropout y padding a cada capa convolucional. También cambié el pooling de algunas capas por AveragePooling2D
model.add(Conv2D(64, (3, 3), padding='same', kernel_regularizer=regularizers.l2(1e-5), activation='relu')) model.add(BatchNormalization()) model.add(MaxPooling2D(2, 2))
Hola, si quiero correr el modelo en colab, ¿existe alguna forma de importar con código la base de datos?
Cómo empezar con Reconocimiento de Imagen y Redes Neuronales Convolucionales
El reconocimiento de imagen es el problema de identificar y clasificar objetos en una imagen. Posiblemente, una de sus aplicaciones más comunes en la actualidad es el etiquetado automático de imágenes, usado para la gestión y organización de contenido web.