Lección 14 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo AlexNet y VGGNet fueron las primeras Redes Convolucionales profundas que lograron un desempeño cercano al del ser humano en una tarea de clasificación de imágenes.
En esta práctica veremos cómo usar una variante de VGGNet, conocida como VGG-16, para implementar un clasificador de imágenes muy robusto y usando una técnica del Deep Learning conocida como la transferencia de aprendizaje.
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.
¡Excelente! Acabamos de ver cómo crear un clasificador de imágenes usando una técnica conocida como la transferencia de aprendizaje. Este enfoque consiste en afinar un modelo entrenado con un amplio set de datos, en este caso ImageNet, para una tarea específica (en este caso la clasificación de imágenes9.
Nuestro set de datos contiene 3670 imágenes, divididas en 5 categorías, y como modelo base hemos usado el modelo pre-entrenado VGG-16. En particular vimos cómo leer desde Keras este modelo entrenado y cómo «congelar» sus bloques de extracción de características para entrenar únicamente las capas de clasificación.
Durante el entrenamiento en Google Colab usamos la GPU con 10 iteraciones, un tamaño de lote de 32 y Adam como optimizador. Con todo esto logramos construir un modelo con una exactitud cercana al 97% en los sets de entrenamiento y prueba, demostrando la efectividad de la transferencia de aprendizaje para resolver esta tarea de clasificación.
Con esto ya estamos listos para la próxima lección donde veremos otras dos arquitecturas que representaron avances significativos en tareas de clasificación en comparación con sus precursoras AlexNet y VGGNet. Así que hablaremos específicamente de GoogLeNet y ResNet.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.