UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

FACULTAD DE INGENIERÍA

Temas selectos de sistemas inteligentes

Grupo: 1
PROYECTO 4: INTRODUCCION A CNNS

Profesor: Dr .Abel Herrera Camacho

Alumno:

Gutiérrez Martínez Rodrigo

Semestre 2020-2
Necesitaremos [conjuntos de datos TensorFlow]

Importamos MNIST dataset

Cada imagen se asigna a una sola etiqueta.

Se muestra que hay 60,000 imágenes en el conjunto de entrenamiento y 10000

imágenes en el conjunto de prueba.

El valor de cada píxel en los datos de la imagen es un número entero en el rango

[0,255]. Para que el modelo funcione correctamente, estos valores deben

2
normalizarse al rango [0,1]. Así que aquí creamos una función de normalización, y
luego la aplicamos a cada imagen en la prueba y entrenamos conjuntos de datos.

Explore los datos procesados y se trazo una imagen para ver cómo se ve.

3
Ahora mostramos las primeras 25 imágenes del conjunto de entrenamiento y se
muestra el nombre de la clase debajo de cada imagen. Verificamos que los datos
estén en el formato correcto y que esta listo para construir y capacitar la red.

4
La construcción de la red neuronal requiere configurar las capas del modelo y luego
compilar el modelo.

Antes de que el modelo esté listo para el entrenamiento, necesita algunas

configuraciones más. Estos se agregan durante la compilación del modelo ste.

A continuación, se compara el rendimiento del modelo en el conjunto de datos de

prueba.

Con el modelo entrenado, podemos usarlo para hacer predicciones sobre algunas
imágenes.

El modelo ha predicho la probabilidad de cada etiqueta para cada imagen en el

conjunto de prueba.

5
Podemos ver qué etiqueta tiene el valor de confianza más alto:

Podemos graficar esto para ver el conjunto completo de 10 predicciones de clase

6
La imagen número 0, las predicciones y la matriz de predicciones.

Varias imágenes con sus predicciones.

7
use el modelo entrenado para hacer una predicción sobre una sola imagen.

Los modelos tf.keras están optimizados para hacer predicciones en un lote o colección de ejemplos a la vez.
Entonces, aunque estamos usando una sola imagen, necesitamos agregarla a una lista:

8
Ahora predice la imagen:

`model.predict` devuelve una lista de listas, una para cada imagen en el lote de datos. Obtenga las
predicciones para nuestra (única) imagen en el lote:

9
Ejercicios
Experimente con diferentes modelos y vea cómo difieren los resultados de precisión. En particular, cambie
los siguientes parámetros:

Establezca épocas de entrenamiento en 1.

Al cambiar las epocas de entrenamiento sucede lo siguiente:

Al mirar la imagen número 0, las predicciones y la matriz de predicciones, observamos lo siguiente:

Como podemos ver con una epoca se ajusta mas a la blusa al tener el 100% y al hacer la prediccion de la
imagen tenemos que:

10
Número de neuronas en la capa densa que sigue a la de aplanar. Por ejemplo, vaya realmente bajo (por
ejemplo, 10) en rangos de hasta 512 y vea cómo cambia la precisión.
Con valor de 10:

Se obtienen los siguientes resultados:

11
12
Con valor de 250 los resultados son:

13
Con valor de 512:

14
15
No normalice los valores de píxeles y vea el efecto que tiene.
Sin normalizar esto fueros los resultados:

16
17