Tu primer clasificador de imágenes con Python y Tensorflow

Summary

En este video práctico, se aborda la clasificación de imágenes utilizando redes neuronales, con un enfoque en un caso real donde se desarrolla un modelo de aprendizaje automático para categorizar artículos de ropa según su fotografía. Se cubren conceptos fundamentales, desde la diferencia entre problemas de regresión y clasificación, hasta la entrada de imágenes en redes neuronales y la importancia de las capas ocultas y las funciones de activación para resolver problemas no lineales. El vídeo guía a los espectadores a través del proceso de construcción y entrenamiento de una red neuronal densa, utilizando un conjunto de datos de 70.000 imágenes de ropa etiquetadas, y luego se exploran técnicas para mejorar el rendimiento del modelo. Además, se destaca la limitación de las redes neuronales tradicionales en la clasificación de imágenes y se menciona la existencia de redes neuronales convolucionales, las cuales son más adecuadas para este tipo de tareas. El video concluye con una demostración de la red neuronal en acción y una invitación a suscriptores para aprender más sobre estas soluciones avanzadas en futuras entregas.

Takeaways

• 📈 El vídeo comienza con una introducción a la clasificación de imágenes utilizando redes neuronales, enfocándose en un caso práctico para desarrollar un modelo de aprendizaje automático para categorizar artículos de ropa según su fotografía.
• 🔍 Se destaca la diferencia entre problemas de regresión y clasificación en redes neuronales; mientras que en regresión la salida es un número, en clasificación la salida es una categoría.
• 🖼️ Para dar como entrada una imagen a una red neuronal, se convierten las imágenes a escala de grises y se representan con valores numéricos por píxel, reduciendo el tamaño de la imagen para un rendimiento más eficiente.
• 🧠 Se introduce el concepto de capas ocultas y funciones de activación como herramientas para que las redes neuronales puedan resolver problemas más complejos que los lineales.
• 🔢 Se menciona la utilización de la función de activación 'reloj' (ReLU), que permite a las redes neuronales manejar problemas no lineales al transformar las salidas de las neuronas.
• 🤖 Se describe el proceso de entrenamiento de una red neuronal, incluyendo la necesidad de un gran número de ejemplos para enseñarle a la red a clasificar correctamente.
• 👕 Se habla sobre el conjunto de datos de 70.000 imágenes de ropa categorizadas previamente, proporcionado por la tienda de ropa y utilizado para entrenar la red neuronal.
• ⚙️ Se detalla el proceso de normalización de los datos de entrada y la importancia de esta etapa en el entrenamiento de la red neuronal para mejorar los resultados y acelerar el proceso.
• 📦 Se muestra cómo se estructura y compone el modelo de la red neuronal, incluyendo las capas de entrada, las capas ocultas y la capa de salida, así como la elección de la función de activación Softmax para la capa de salida.
• 🔧 Se abordan técnicas para mejorar el rendimiento del entrenamiento, como el uso de lotes de datos y la repetición de conjuntos de datos con un orden aleatorio.
• 📉 Se discuten los resultados del entrenamiento, incluyendo la precisión alcanzada y la función de pérdida, y se sugieren formas de mejorar el modelo mediante la experimentación con distintas arquitecturas de red.
• 🚀 Se exploran las limitaciones de la red neuronal utilizada, como la falta de generalización cuando se presentan imágenes en diferentes posiciones y tamaños, y se menciona la existencia de redes neuronales convolucionales para abordar estos desafíos.

Q & A

¿Qué tipo de problema de aprendizaje automático se aborda en el video?

El video aborda un problema de clasificación de imágenes utilizando redes neuronales.

¿Cuál es la principal tarea que se le asigna al contratado en la tienda de ropa internacional?

La principal tarea es desarrollar un modelo de aprendizaje automático que categorice los artículos en base a su fotografía.

¿Qué tipo de red neuronal se utiliza para resolver problemas de clasificación de imágenes?

Se utiliza una red neuronal densa, aunque el video sugiere que podría haber utilizado una red neuronal convolucional si esta última existiera en el contexto hipotético planteado.

¿Cómo se representa una imagen en la capa de entrada de una red neuronal?

Una imagen se representa en la capa de entrada de una red neuronal dando un valor numérico a cada pixel, con 0 para totalmente negro y 255 para totalmente blanco.

¿Por qué se reduce la resolución de las imágenes en el caso práctico del video?

Se reduce la resolución de las imágenes para hacer el procesamiento más eficiente, pasando de 10.000 píxeles a 784 píxeles, lo que reduce la complejidad de la red neuronal.

¿Cuántas neuronas de salida tendría una red neuronal para clasificar diez categorías de ropa?

Una red neuronal para clasificar diez categorías de ropa tendría diez neuronas de salida.

¿Qué son las capas ocultas en una red neuronal y qué propósito sirven?

Las capas ocultas son una o más capas adicionales en una red neuronal que se encuentran entre la capa de entrada y la capa de salida. Sirven para realizar transformaciones más complejas que las posibles con una sola capa de entrada y salida, permitiendo a la red resolver problemas no lineales.

¿Qué función de activación se utiliza en la capa de salida de una red neuronal de clasificación?

Se utiliza la función de activación Softmax en la capa de salida de una red neuronal de clasificación para asegurar que la suma de las neuronas de salida sea 1, lo que facilita la interpretación de la salida como una distribución de probabilidad.

¿Cómo se normalizan los datos de entrada en el video?

Se normalizan los datos de entrada dividiendo cada valor de pixel por 255, lo que transforma los valores de píxeles de un rango de 0 a 255 a un rango de 0 a 1.

¿Cuál es el tamaño del lote utilizado en el entrenamiento de la red neuronal?

El tamaño del lote utilizado en el entrenamiento de la red neuronal es de 32.

¿Qué tipo de conjunto de datos se utiliza para entrenar y probar la red neuronal?

Se utiliza el conjunto de datos Fashion MNIST, que contiene 70.000 imágenes de ropa en blanco y negro de 28x28 píxeles, categorizadas en 10 clases.

¿Cuál es la precisión alcanzada por la red neuronal después del entrenamiento?

La precisión alcanzada por la red neuronal después del entrenamiento es alrededor del 88 por ciento, posiblemente un poco superior.

Outlines

00:00

😀 Introducción a la clasificación de imágenes con redes neuronales

El primer párrafo presenta el comienzo de un proyecto práctico de clasificación de imágenes utilizando redes neuronales. Se menciona que se abarcará desde la teoría hasta la implementación de un clasificador de imágenes funcional. Se destaca la necesidad de cubrir varios conceptos y se establece un escenario hipotético en el que se desarrolla el modelo: una tienda de ropa requiere un modelo de aprendizaje automático para categorizar artículos basados en fotografías. Además, se introduce la diferencia entre problemas de regresión y clasificación y se establece la estructura del modelo con 784 neuronas de entrada y 10 de salida.

05:02

📈 Conceptos fundamentales para la clasificación de imágenes

Este párrafo profundiza en los conceptos necesarios para la clasificación de imágenes. Se discute cómo representar una imagen en una red neuronal, reduciendo una imagen de 10.000 píxeles a 784 píxeles mediante un tamaño de 28x28 píxeles. Se introduce el tipo de red neuronal que se utilizará, una red neuronal densa, y se compara con la red neuronal convolucional, que no se usará en este caso. Además, se explora la limitación de las redes neuronales simples para resolver problemas no lineales y se presentan las capas ocultas y las funciones de activación como herramientas para abordar estas complejidades.

10:02

🤖 Arquitectura y entrenamiento de la red neuronal

El tercer párrafo se enfoca en la arquitectura de la red neuronal y su entrenamiento. Se describe la adición de dos capas ocultas con 50 neuronas cada una y la elección de la función de activación 'reloj'. Se destaca la importancia de las capas ocultas y las funciones de activación para permitir que la red resuelva problemas no lineales. Se menciona la necesidad de un gran número de ejemplos para entrenar la red y se habla sobre el conjunto de datos de 70.000 imágenes proporcionado por la tienda de ropa, que se utilizará para entrenar y probar el modelo.

15:02

🔍 Normalización de datos y construcción del modelo

Este párrafo cubre la normalización de los datos de entrada y la construcción del modelo de la red neuronal. Se aclara la necesidad de normalizar los datos de píxeles de 0 a 255 a un rango de 0 a 1 para mejorar el rendimiento del entrenamiento. Se detalla la creación del modelo secuencial con capas de entrada plana, dos capas ocultas densas y una capa de salida con la función de activación Softmax. Además, se menciona la importación de librerías y la preparación de los datos de entrenamiento y prueba.

20:03

🎯 Entrenamiento y evaluación del modelo

El quinto párrafo describe el proceso de entrenamiento del modelo y su evaluación. Se establece el tamaño del lote y se describe el uso de funciones para randomizar el orden de los datos durante el entrenamiento. Se habla sobre la duración y la complejidad del entrenamiento debido al gran número de ejemplos. Se muestra el progreso de la precisión y la función de pérdida a lo largo de las épocas y se menciona el uso del modelo entrenado para realizar predicciones. Además, se discuten las limitaciones del modelo, como la falta de generalización en imágenes donde el tamaño y la posición de los objetos varían, y se sugiere el uso de redes neuronales convolucionales para abordar estos desafíos.

🔧 Limitaciones y soluciones futuras

El sexto y último párrafo aborda las limitaciones del modelo actual y sugiere soluciones futuras. Se reconoce que el modelo tiene dificultades para generalizar cuando los objetos en las imágenes cambian de tamaño y posición. Se introduce el concepto de redes neuronales convolucionales como una forma de superar estas limitaciones, ya que son capaces de entender la estructura de las imágenes de manera más robusta. Se anima a los espectadores a suscribirse para recibir actualizaciones sobre el tema y se cierra el vídeo con una nota de despedida.

Keywords

💡Clasificación de imágenes

Es el proceso de organizar imágenes en categorías o clases. En el video, se utiliza una red neuronal para clasificar artículos de ropa en base a su fotografía, lo cual es un ejemplo de aprendizaje automático en la tarea de clasificación.

💡Redes neuronales

Son modelos de aprendizaje inspirados en el cerebro humano, compuestos de capas de unidades llamadas neuronas. En el video, se discute cómo las redes neuronales se pueden usar para convertir grados Celsius a Fahrenheit y para clasificar imágenes.

💡Regresión

Es un tipo de problema de aprendizaje automático donde la salida es un número. En el contexto del video, se menciona que en un problema de regresión, como predecir el valor de una casa, la red neuronal proporciona una salida numérica.

💡Problema de clasificación

Diferente a la regresión, en un problema de clasificación la salida es una categoría o clase. En el video, se busca que la red neuronal clasifique imágenes en categorías de ropa, por lo que requiere un número de salidas equivalente a las categorías posibles.

💡Convolutional Neural Network (CNN)

Es un tipo específico de red neuronal que se utiliza ampliamente en la clasificación de imágenes. Aunque no se utiliza en el ejemplo del video, se menciona como una red que podría manejar mejor el problema de clasificación de imágenes si no existiera la red neuronal densa.

💡Normalización de datos

Es el proceso de escalado de los valores de los datos para que estén en un rango específico, como de 0 a 1. En el video, se normalizan los datos de las imágenes para mejorar el rendimiento del entrenamiento de la red neuronal.

💡Función de activación

Son funciones matemáticas que se aplican en las redes neuronales para introducir no linealidad, lo que permite a la red resolver problemas más complejos. En el video, se utiliza la función 'reloj' como ejemplo de una función de activación.

💡Capas ocultas

Son capas intermedias en una red neuronal que no son de entrada ni de salida. Aportan flexibilidad y capacidad para el aprendizaje de relaciones complejas en los datos. En el video, se agregan dos capas ocultas a la red para mejorar su capacidad de clasificación.

💡Entrenamiento de la red

Es el proceso de hacer que la red neuronal aprenda a partir de un conjunto de datos de entrenamiento. En el video, se describe el entrenamiento de la red con 60,000 imágenes para que pueda clasificar correctamente las imágenes de ropa.

💡Set de datos

Es una colección de datos que se utiliza para entrenar y probar un modelo de aprendizaje automático. En el video, se utiliza un set de datos de 70,000 imágenes de ropa categorizadas para entrenar y probar la red neuronal.

💡Softmax

Es una función de activación utilizada comúnmente en la capa de salida de las redes neuronales de clasificación. En el video, se menciona que la función Softmax asegura que la suma de las salidas de las neuronas sea 1, lo que permite interpretar la salida como probabilidades.

Highlights

Comenzamos con la clasificación de imágenes utilizando redes neuronales.

El caso práctico consiste en desarrollar un modelo de aprendizaje automático para categorizar artículos de ropa según su fotografía.

Se cubren conceptos fundamentales para llevar el conocimiento de redes neuronales desde lo básico hasta su aplicación en la resolución de problemas complejos.

La diferencia entre problemas de regresión y clasificación en términos de la salida esperada del modelo.

La conversión de imágenes a valores numéricos para su procesamiento por una red neuronal.

La reducción de tamaño de las imágenes a 28x28 píxeles para mejorar la eficiencia del modelo.

La elección de una red neuronal densa para construir el modelo inicial.

La limitación de la red neuronal simple para resolver solo problemas lineales y la necesidad de capas ocultas y funciones de activación para abordar problemas más complejos.

La introducción de funciones de activación, como la función reloj, para permitir que la red neuronal maneje problemas no lineales.

La importancia de las capas ocultas y la configurabilidad que añaden a la red neuronal para resolver transformaciones complejas.

La normalización de datos de entrada para mejorar el rendimiento del entrenamiento de la red neuronal.

El uso de un conjunto de datos de 70.000 imágenes categorizadas para entrenar y probar el modelo.

La construcción del modelo secuencial con capas de entrada plana, capas ocultas densas y una capa de salida con la función de activación softmax.

El entrenamiento del modelo en lotes para aumentar la eficiencia y la velocidad del proceso.

La precisión del modelo, que alcanza alrededor del 88% después del entrenamiento.

La limitación de la red neuronal para manejar imágenes donde los datos de entrada cambian de posición, tamaño o color.

La introducción de las redes neuronales convolucionales como solución a las limitaciones encontradas.

Transcripts

hoy al fin comenzamos con la

clasificación de imágenes con redes

neuronales y lo haremos con un caso

práctico donde resolverá todo paso a

paso para que al final del vídeo tengas

un clasificador de imágenes funcional y

lo probaremos de varias maneras para ver

cómo funciona y qué le podemos mejorar

para lograrlo tenemos que cubrir y

aprender varios conceptos y en este

vídeo cubriremos todo así que agarro un

café otro de nate los dedos y comencemos

imagina que acabas de ser contratado por

una tienda de ropa internacional y el

primer tarea es desarrollar un modelo de

aprendizaje automático que categoriza

todos los artículos en base a su

fotografía

imagina también que todo lo que conoces

acerca de redes neuronales es lo que

vimos en el vídeo anterior una red

neuronal simple que aprende a convertir

grados celsius y fahrenheit si no lo has

visto sería buena idea que lo hagas

antes de continuar cómo puedes tomar lo

que aprendimos en ese vídeo y aplicarlo

aquí para lograrlo necesitamos cubrir

seis puntos importantísimos que llevarán

tu conocimiento de redes neuronales de

aquí a cómo porque veamos el reto que

tenemos y resolvamos todo paso a paso

[Música]

para empezar el problema del vídeo

anterior era de regresión en los

problemas de regresión la salida del

modelo o red neuronal es un número por

ejemplo en ese caso la red daba como

salida los grados fahrenheit que pueden

ser 10 20 100 menos 15 etcétera un

simple número otro ejemplo de regresión

sería una red que intente predecir el

valor de una casa recibe como entrada

las características de la casa como sus

metros cuadrados número de baños cuarto

si tiene alberca o no etcétera y la

salida sería el precio estimado de igual

manera es un número dos el problema de

hoy no es un problema de regresión es un

problema de clasificación debemos

recibir como entrada la imagen y la

salida debe decirnos a qué categoría

pertenece por lo tanto si tenemos diez

categorías posibles nuestra red tendrá

diez neuronas de salida y nos deberá

decir a qué categoría cree que pertenece

y aquí nos metemos al segundo tema

[Música]

dar como entrado un número como los

grados celsius a una red neuronal es

fácil pero como le damos como entrada

una imagen cubre un poco de esto en mi

primer vídeo de visión artificial pero

si tomamos una imagen y la convertimos a

blanco y negro podemos dar un valor

numérico a cada pixel el número 0 sería

para totalmente negro y 255 para

totalmente blanco si tomamos como

ejemplo una imagen de 100% píxeles

significa que tenemos 10.000 píxeles

cada uno con un valor entre 0 y 255

podemos tomar esos 10.000 píxeles e ir

colocando cada uno en una neurona

distinta en la capa de entrada de

nuestra red 10.000 neuronas en la capa

de entrada no es exagerado más o menos

en general no pero para hacer esto más

eficiente lo reduciremos al mínimo

posible reduciremos las imágenes a 28

por 28 píxeles de modo que tendremos 784

píxeles entrando en 784 neuronas de

entrada a la red con esto ya sabemos que

crearemos una red con 784 neuronas de

entrada y 10 neuronas de salida ahora la

duda es

[Música]

qué tipo de red neuronal vamos a

utilizar hay muchos tipos que sirven

para muchas cosas para los que ya saben

del tema sabrán que hay un tipo de red

llamada red neuronal convolución al la

cual es muy utilizada para clasificación

de imágenes sin embargo y quédate

conmigo pero imagina por un momento que

este tipo de red no existe no ha sido

inventada solo existe la red neuronal

densa la regular como la que usamos en

el vídeo anterior y construiremos sobre

ella y verás cómo poco a poco iremos

descubriendo cosas hasta inventar

nosotros mismos las redes neuronales

convolución ales pero bueno con eso ya

sabemos qué tipo de red vamos a utilizar

ahora

ahora

la red neuronal que vimos en el vídeo

anterior era tan simple que solo nos

sirve para resolver problemas simples

por ejemplo convertir grados celsius y

fahrenheit es una ecuación lineal la

conversión se puede graficar con una

línea esa red solo puede resolver

problemas lineales quizá este extraño

comparar salidas de redes normales con

ecuaciones pero quédate conmigo y veamos

algunos ejemplos mira esta imagen como

puedes ver tiene puntos naranjas y

azules y pongamos los de objetivo

diseñar una red neuronal para que

intente graficar una línea que separe

los puntos naranjas de los azules

visualmente es muy simple podemos ver

que una línea por aquí le permitiría

hacer la división veamos como lo haría

una red neuronal

como puedes ver se ajusta muy rápido y

logra encontrar la línea reiniciemos

nuevamente para que comience de manera

aleatoria e intentemos de nuevo

otra vez no encuentra muy fácil así fue

el entrenamiento que logró que nuestra

primera red aprendiera convertir grados

celsius y fahrenheit sin embargo qué

pasa si tenemos una gráfica como ésta

como puedes ver tenemos puntos azules

aquí aquí y aquí y puntos naranjas aquí

aquí y aquí ninguna línea podría ser una

división adecuada pero dejemos que

intente a ver qué pasa

podemos ver que intenta pero como sólo

sabe graficar una línea invariablemente

lo va a ser mal intentemos de nuevo

ok está imposible necesitamos darle a la

red más herramientas para que pueda

resolver problemas más complejos y no

esté limitada a resolver solo ecuaciones

lineales estas herramientas son las

capas ocultas y las funciones de

activación

[Música]

en una red neuronal como la del primer

vídeo donde tenemos la entrada conectada

a la salida tenemos muy poco espacio

para transformaciones solo podemos

resolver problemas que sean una

multiplicación y una suma si queremos

dar a la red más espacio para que

realice transformaciones más complejas

necesitamos agregar una o más capas

ocultas estas capas siguen las mismas

reglas de hacer multiplicaciones y sumas

sin embargo al agregarlas a la red

nuestra red ahora cuenta con más

opciones y caminos en donde puede hacer

más operaciones lineales para el final

unir el resultado digamos que es

imaginamos que nuestra red tiene

perillas de control antes teníamos dos

un peso y un sesgo que se podían ajustar

si agregamos dos capas ocultas con tres

neuronas cada una

ahora tenemos 22 perdidas de control es

decir 15 pesos y 7 sesgos que la red

puede ajustar durante el entrenamiento

como tiene más perillas de control la

red es mucho más configurable sin

embargo las capas ocultas por sí solas

siguen teniendo el inconveniente de que

solucionan solamente problemas lineales

ahora tenemos muchas neuronas haciendo

más transformaciones pero al final todas

siguen siendo lineales esto nos lleva a

nuestra siguiente herramienta

[Música]

para que nuestras pobres neuronas salgan

del infierno que solamente resolver

problemas lineales una vez que una

neurona asuma suceso y va a dar su

resultado la pasaremos por una función

llamada comúnmente función de activación

digamos que tenemos esta neurona la

neurona recibe como entrada el número 10

el setsuv es de 5 entonces al sumarlo la

salida de la neurona sería 15 pero

espera que antes de enviar ese 15 como

salida hacemos ese 15 por una función

hay muchas funciones posibles y

probablemente después haga un vídeo

especial para eso pero imagina que

tenemos esta función

esta función llamada reloj lo que hace

es si el número es mayor a 0 mantenlo

igual no le cambies nada pero si es

menor a 0 es decir un número negativo

entonces el resultado será ser no acepta

números negativos en este ejemplo un 15

daría como salida 15 un 40 daría un 40

pero un -8 por ser negativo daría a ser

y un 12 de 340 también daría ser simple

para que si pues sonar tonto por este

pequeño cambio unido a las capas ocultas

permiten que una rueda poniendo a

resolver problemas y no lineales si

hacemos eso solamente con una neurona el

resultado no es muy

pero si usamos eso en todas las neuronas

y agregamos capas ocultas la red puede

aprender a hacer transformaciones más

complejas con el simple hecho de ya no

estar condenado a resolver sólo

problemas lineales lo sacamos del

infierno lineal y puede ahora probar

muchas cosas en su proceso de

entrenamiento para intentar encontrar

soluciones más interesantes a los

problemas hay obviamente mucho más que

cubrir en los temas de las capas ocultas

en las funciones de activación

pero esto suficiente por lo pronto para

continuar de momento luego que yorke te

lleves es que estas dos herramientas

juntas la abren a la red del mundo de

posibilidades para resolver problemas

complejos

si quieres otros vídeos de un entre

detalle de esto por favor déjame un

comentario y si no también cuéntame tu

opinión de este vídeo astori que te ha

gustado por favor regálame nos gusta

regresamos a nuestra gráfica de puntitos

se agregó yo por ejemplo una capa oculta

con unas cuantas neuronas por sí sólo no

puede salir del infierno línea pero si

además de las capas ocultas activamos

que todas utilizan la función de

activación reloj

a podemos ver que ya está encontrando

resultados más interesantes quizás

todavía no logra hacer una buena

separación pero al menos su cerebro ya

evolucionó y podemos experimentar más

agreguemos más neuronas a la capa

pública

como podemos ver de manera rara pero

logra solucionar el problema

dijimos cuatro neuronas programamos una

capa adicional

con esto no logra resolver y podemos ver

los intentos que hace por hacerlo mejor

podemos agregar tantas capas ocultas

como queramos agreguemos 6 a ver qué

pasa

en una u otra manera lo logra hacer aquí

ya es parte de tu proceso experimentar

con distintas arquitecturas y ver cuál

funciona mejor más rápido pero creo que

con esto queda claro que con estas dos

herramientas podemos resolver problemas

más complejos usando redes neuronales

para terminar en nada más por diversión

veamos este caso más complejo este

espiral aquí aunque tengamos seis capas

ocultas no lo podemos resolver

podemos dejar solo dos pero con más

neuronas

y con eso logrará resolver el problema

te dejaré la liga esta herramienta que

estoy utilizando la descripción del

vídeo aunque ya cubrimos todo lo

necesario volvamos ahora sí a nuestro

caso nuestra red tiene entonces 784

neuronas de entrada 10 neuronas de

salida y para comenzar agregamos dos

capas ocultas cada una de 50 neuronas

como vimos después podemos agregar o

quitar capas y neuronas y experimentar

estamos listos para comenzar el

entrenamiento sólo que

se nos olvidaba algo para entrenar una

red necesitamos muchos gamers en nuestro

vídeo anterior usamos 7 ejemplos pero

era un problema muy simple ahora

queremos que se clasifiquen las imágenes

en 10 categorías entonces necesitamos

muchos ejemplos de cada categoría cuanto

necesitamos mil 5000 tenemos que ir por

nuestra cámara y tomarle fotos a nuestra

ropa nada bueno sí pero alguien más ya

lo hizo por nosotros por este mismo

problema pasó ya la tienda salando una

tienda de ropa que se dio a la laboriosa

tarea de crear un set de datos de 70.000

imágenes cada una categorizada

correctamente para poder entrenar redes

de este tipo y aparte lo abrió al

público en hip hop para que lo usemos

como queramos gracias al andado

como puedes ver todas son imágenes en

blanco y negro de 28 por 28 píxeles y

tenemos playeras pantalones zapatos

tenis bolsas etcétera de hecho están

categorizadas en estas 10 opciones

lo que haremos será descargar ese set de

datos y utilizar 60.000 imágenes para

entrenar en la red y las otras 10.000

para probar que quedó entrenada

correctamente

al hacer esto confirmamos que la red se

puede predecir correctamente imágenes

que no vio durante el entrenamiento

podemos programar ya podemos programar

claro que sí ya vamos para allá

otra vez utilizaremos nuestra bonita

herramienta cola para programar en el

explorador hay mientras habrá cola

quiero agradecer estas personas

[Música]

estos son mismo escenas open game más

nuevo y su apoyo me ayuda muchísimo para

continuar haciendo este tipo de vídeos

si te sirve y te gusta mi contenido y te

gustaría apoyarme para que haga más

dejaré la liga de mi petro en la

descripción del vídeo y si nuestras

posibilidades con que des clic en me

gusta y me dejes un comentario es más

que suficiente muy bien ya estamos en

cola para empezar importaremos la

librería de pensarlo para trabajar

además importaremos otra llamada tensor

flow data sets el set de datos de sadam

no podemos descargarlo de manera simple

utilizando esta librería

ahora descarguemos el set de datos con

sus metadatos tensor flow data se tiene

muchos desde datos para mil cosas desde

imágenes audio traducciones etcétera que

seguramente después veremos el que

usaremos desalando se llama fashion en

mí es importante especificar estos dos

atributos adicionales para que se

descargue con todos los metadatos que

necesitamos

esperemos un poco que termine de

descargarlo aunque salgan algunas líneas

rojas no pasa nada

ya que termino podemos imprimir el valor

de los metadatos y nos dice la

información del set que acabamos de

descargar además de la información

general podemos ver que tiene 60.000

datos para entrenamiento y 10.000 para

problemas pongamos cada conjunto de

datos en una variable diferente para

utilizarlos

[Música]

ya tenemos separados los datos de

entrenamiento y pruebas los metadatos

además traen los nombres de las

categorías que existen en el set

asignamos alguna variable y podemos

imprimirlos para verlos

[Música]

como tip en cola puedes presionar

control enter y se ejecuta el bloque de

código

ok aquí podemos ver que el índice 0 es

camiseta el índice uno es pantalón

tenemos suéter vestido saco etcétera

hasta llegar al índice 9 que es bombo

team

ahora cuando entrenamos una red

normalmente queremos normalizar los

datos es decir hacer que todas las

entradas sean números entre 0 y 1 eso

ayuda mucho acelerar el entrenamiento y

mejorar los resultados actualmente los

datos de entrada se recibirían de 0 a

255 por ser los valores de los píxeles

así que usaremos una función de

normalización para dividir cada pixel

entre 255

después pasaremos todos los datos de

entrenamiento y pruebas por esa función

de normalización

finalmente agregaremos los datos al

caché con eso el entrenamiento se hace

mucho más rápido ya que guarda los datos

en memoria en lugar de disco

muy bien hasta el momento hemos

trabajado con puros textos pero no hemos

visto ninguna imagen así que pongamos un

poquito de código que me pasó rápido

porque no tiene mucho que ver con

inteligencia artificial para mostrar la

imagen

esta es la primera imagen un suéter

podemos imprimir varias imágenes y que

nos muestre cuál es la categoría

correcta con la que viene etiquetadas

[Música]

ok ahora pasemos a ser el modelo similar

al vídeo anterior iniciaremos nuestra

variable modelo y usaremos una red de

tipo secuencial

esta vez y definiremos nuestra capa de

entrada manualmente y usaremos una de

tipo flat en nuestros datos de entrada

que daremos a la red vienen en una forma

de 28 por 28 píxeles con un canal por

ser blanco y negro por lo tanto

especificaremos eso como parámetro a la

capa y la capa flat end se encarga de

convertir esta matriz y aplastarla que

eso quiere decir flat end a una sola

dimensión con 784 neuronas en donde se

recibirá cada pixel ok ahora agreguemos

las dos capas ocultas densas con 50

neuronas cada una y cada una con la

activación reloj y al final agregamos

nuestra capa de salida con 10 neuronas a

esta indicaremos la función de

activación soft mans

no quiero alargar demasiado el vídeo

explicando esta pero en resumen se usa

la función soft max como función de

activación en la capa de salida en las

redes de clasificación para asegurar que

la suma de las neuronas de salida

siempre nos dé 1 por ejemplo si la red

cree que el artículo es una camiseta

puede que camiseta tenga punto 8 saco

punto 1 siempre la suma de todos nos da

el valor de 1 y al final solo vemos cuál

es el que tiene el mayor número y esa es

la predicción de la red porque ya con

nuestro modelo listo lo compilamos

[Música]

al igual que nuestra primera red

utilizamos adán como optimizador y la

función de pérdida usaremos esta otra

que tiene nombre muy feo pero al igual

que software que se usen las redes de

clasificación

muy bien entrenar una red con siete

ejemplos como hicimos anteriormente fue

muy fácil pero ahora tenemos 70.000

ejemplos para hacer que la red entrene

más rápido le podemos decir que lo haga

en lotes definamos un tamaño de lote de

32 ahora ajustaremos algunas propiedades

de los datos de entrenamiento y pruebas

como daremos varias vueltas al set de

datos en el entrenamiento queremos que

se haga de manera aleatoria y no siempre

en un mismo orden parece usaremos dos

funciones repeat y jaffa con los cuales

el orden de los datos será aleatorio y

azul le tenemos que decir cuántos datos

queremos que son todos los 60.000 de

hecho podemos definir los variables aquí

arriba de una vez para tener el número

de ejemplos de entrenamiento y pruebas

si los imprimimos nos dan los 60.000 y

10.000 lo que hacemos aquí esa variable

finalmente usamos la opción batch para

decirle el tamaño del lote de

entrenamiento y que se puede hacer más

rápido con el set de datos de pruebas

solo usaremos la opción de batch

al fin estamos listos para entrenar a

nuestra red ha sido un camino largo pero

ya llegamos

para entrenar usamos la función fit

especificamos los datos de entrenamiento

cuantas vueltas queremos darle a los

datos

digamos 5 además de especificamos esta

opción de este exploit porque es muy

relevante porque -según tensor se lo va

a quitar

comenzamos a entrenar

podemos ver que a diferencia de nuestra

primera red se tarda más lo cual tiene

sentido ya que el problema es mucho más

complejo

en cada época o vuelta a los datos

podemos ver la precisión generalmente

debemos terminar con una precisión de

alrededor del 88 por ciento quizá un

poco superior veamos el resultado de la

función de pérdida en cada época

[Música]

ahora el modelo está listo para realizar

predicciones para eso lo haré de varias

maneras aquí en cola con los datos de

prueba y luego mostraré que se puede

exportar el modelo entrenado para

probarlo por ejemplo en un explorador

comenzamos aquí escribir este código

rápido que no es de inteligencia

artificial sino de matt proclive

entonces no vemos relevante pero nos

sirve para imprimir 25 imágenes del set

de pruebas y que intente predecir cada

uno si predice bien saldrá en una barra

azul si predice mal saldrá en rojo

[Música]

muy bien aquí podemos ver que aquí se

equivocó en la predicción

muy bien por último te dejaré aquí la

manera de que tomes cualquier dato del

set de pruebas que tú quieras y que te

imprima la predicción de la red

el enlace para este collage estará en la

descripción del vídeo ahora podría dejar

el vídeo hasta aquí y decir que ya

tenemos un clasificador de ropa con un

90% de precisión de hecho la mayoría de

los vídeos así lo deja pero quiero

mostrar qué problemas tienen porque los

tiene para ver cómo podemos mejorarlo y

aprender más voy a exportar el modelo

que ya entrenamos para usarlo en un

explorador contento el flow jota es como

exportar le pasarlo en el probador

etcétera puedo verlo en otro vídeo si te

interesa dejamos en los comentarios

y

ok en esta pequeña página importa el

modelo y ahora funciona totalmente en el

explorador agregue un cuadro para

dibujar e intentar que el modelo me

adivine lo que dibuje veamos

ok muy bien intentemos otro

[Música]

disculpen mis habilidades de dibujo

ok en general se ve bien pero veamos

cuáles son las limitantes que tienen

para empezar siempre me da una

predicción aunque dibuje basura

ah

ah

esto es inherente de cómo funciona este

tipo de redes sí o sí me va a intentar

predecir algo aunque no caiga claramente

en las categorías eso no es tal cual una

limitante solo algo gracioso la otra es

que está frágil si no pongo el dibujo

similar a cómo está en el entrenamiento

no me predice muy bien por qué pasa esto

las redes neuronales como estas son

buenísimas resolviendo problemas de

regresión y clasificación donde los

datos de entrada no cambian de posición

en el ejemplo que hablamos de la

predicción del valor de una casa la

misma neurona de entrada siempre va a

recibir los metros cuadrados y la misma

neurona siempre va a recibir el número

de cuartos etcétera no decidimos después

cambiar el orden de las entradas porque

confundiría en la red

en estas situaciones estas redes hacen

predicciones bastante acertadas y de

hecho son muy utilizadas en la industria

sin embargo en este caso que recibimos

una imagen o una sandalia puede estar

así o así o así y cambiando de tamaño y

posición por lo que la red no puede

generalizar correctamente la estamos

llevando al límite de sus capacidades de

hecho tengo otro vídeo de hace años

donde dice esto pero para números

escritos si te interesa debido a estas

limitantes porque se inventaron las

redes neuronales convolución a les

necesitamos una red que no intente

aprenderse las poses

de los píxeles como lo está intentando

hacer esta red sino una que realmente

intenté entender lo que está viviendo lo

que existe en la imagen y no importe su

color su tamaño o posición etcétera es

un problema bastante interesante y sus

soluciones aún más interesante quiere

saber cómo lo resolveremos suscríbete

para que te motive y que esta cosa el

siguiente vídeo y hasta pronto

[Música]

[Aplausos]

[Música]