Lección 11 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos la arquitectura de una Red Convolucional y entendimos su relación con las Redes Neuronales vistas en el segundo módulo de este curso.
En esta lección veremos en detalle cómo funciona LeNet, la primera Red Convolucional que logró resolver de manera exitosa un problema de visión por computador: la clasificación de dígitos escritos a mano.
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 LeNet, una Red Convolucional concebida en 1998 por Yann LeCun, resolvió eficazmente el problema de clasificar dígitos en envíos postales, convirtiéndose en la precursora de las redes convolucionales actuales.
Utilizando la base de datos MNIST, con 60,000 ejemplos de entrenamiento y 10,000 de validación, LeNet alcanzó una exactitud del 99.05%. Su arquitectura incluye un codificador convolucional con dos capas convolucionales y de pooling, seguido por una pequeña Red Neuronal de 3 capas.
Este diseño reduce progresivamente las dimensiones espaciales de las imágenes mientras incrementa la profundidad de los volúmenes procesados, un principio replicado en muchas Redes Convolucionales modernas.
Así que ya tenemos claro el funcionamiento de LeNet y con esto ya estamos listos para poner en práctica lo aprendido hasta el momento acerca de las Redes Convolucionales.
Así que en la próxima lección desarrollaremos la primera práctica de esta parte del curso, en donde realizaremos la clasificación de imágenes usando esta Red LeNet.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.