Lección 12 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos las principales características de la red LeNet y su importancia como precursora de las Redes Convolucionales usadas actualmente.
En esta lección veremos cómo implementar esta arquitectura, con ayuda de Python y Keras, para resolver un problema de clasificación de imágenes.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien, acabamos de ver cómo crear, entrenar y validar nuestra primera Red Convolucional: Lenet, una red capaz de clasificar dígitos escritos a mano usando el set de datos MNIST.
Este set de datos contiene 60,000 imágenes de entrenamiento y 10,000 de prueba, cada una de las cuales tiene un tamaño de 28×28 pixeles.
Vimos cómo usar diferentes módulos de la librería Keras (como Conv2D, MaxPooling2D y Flatten) para, con tan sólo 20 iteraciones de entrenamiento lograr crear un clasificador que alcanza una exactitud del 99.88% con el set de entrenamiento y 98.99% durante la validación. Un resultado bastante bueno teniendo en cuenta la simplicidad de la red convolucional utilizada.
Así que con esto hemos confirmado que efectivamente las Redes Convolucionales resultan siendo una excelente alternativa para tareas de clasificación de imágenes como la analizada en esta práctica.
En la próxima lección veremos dos arquitecturas, derivadas de LeNet y desarrolladas en los últimos años, y que han logrado alcanzar un desempeño comparable con el del ser humano en estas tareas de clasificación de imágenes. Hablaremos entonces en detalle de AlexNet y VGGNet.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.