Professional Documents
Culture Documents
FACULTAD DE INGENIERÍA
Grupo: 1
PROYECTO 4: INTRODUCCION A CNNS
Alumno:
Semestre 2020-2
Necesitaremos [conjuntos de datos TensorFlow]
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.
Con el modelo entrenado, podemos usarlo para hacer predicciones sobre algunas
imágenes.
5
Podemos ver qué etiqueta tiene el valor de confianza más alto:
6
La imagen número 0, las predicciones y la matriz de 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:
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:
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