Redes Neuronales Convolucionales + Ejemplo usando Keras-Tensorflow
Hola mundo! ..les saluda el ingeniero informático Mitchell Blancas desde Trujillo-Perú, dedicado desde inicios del 2014 a la docencia universitaria y a la investigación.
Subríbete y activa la campanita de mi canal de youtube para ver importante contenido en ciencia de la computación (principalmente sobre deep learning y vision computacional). También, sígueme en mi página de facebook:
/ mitchellblancas18
o en mi facebook personal:
/ mitchellpaulo.blancasn...
Пікірлер: 58
MUCHAS GRACIAS POR EL VIDEO,BIEN EXPLICADO Y ENTENDI A LA PERFECCION!!!
¡Esto es grandioso!, Muchas gracias
Muchísimas gracias por los buenos comentarios, ya estaré subiendo otro video sobre redes neuronales Convolucionales...pero esta vez le agregaré el deploy a un servidor, heroku x ejemplo!..Saludos!!!
@testritt7283
3 жыл бұрын
Buen video, tengo 2 preguntas, cuando mencionas a las imagenes como data estructurada ,no seria data no estructurada, y otra pregunta, por cada convolusion el volumen se duplica? Gracias.
@gabrielachiluisa8855
3 жыл бұрын
me podrías ayudar con la bibliografía utilizada por favor. Excelente video
@killianrocky3431
2 жыл бұрын
I guess im asking the wrong place but does any of you know of a method to get back into an instagram account?? I was stupid forgot the login password. I love any tips you can give me!
@simonazariah395
2 жыл бұрын
@Killian Rocky Instablaster =)
@killianrocky3431
2 жыл бұрын
@Simon Azariah Thanks for your reply. I found the site thru google and Im waiting for the hacking stuff now. Looks like it's gonna take a while so I will get back to you later with my results.
Excelente video, muy útil y super completo!! Gracias!
Viejo explicas mejor que el muchos profesores
Mis felicitaciones por su buen trabajo estimado, muy buena explicación.
S-O-S U-N G-R-O-S-O 👏👏 En las universidades hacen falta personas como tú.
Me ayudó a entender más de las ConvNet y despejar mis dudas que tenía. Muchas gracias y espero sigas explicando tal y como lo haces.
Muchas gracias por el gran trabajo que hace
Gracias! de todos los vídeos que vi en la red, con el tuyo fue el único que me quedó claro el funcionamiento de las redes convolucionales y la aplicación de padding y strides!!
Muchas Gracias por tomarse el tiempo de hacer el video para compartir sus conocimientos!
Excelente video profe ^_^. Claro y preciso. Saludos👍
Saludos desde Ibague Colombia, genial tu explicacion gracias por compartir tu conocimiento. Suscrito
Excelente explicación. Muchísimas gracias, la verdad que me aclaraste tantas dudas sobre lo que pasaba dentro de la red convolucional, que ahora si, estoy en posición de continuar con su estudio para aplicarlas.
excelente amigo, muy buen aporte felicitaciones
Gracias, me sirvieron mucho tus videos. Ojala sigas creciendo en youtube asi tus videos pueden llegar a mas personas.
Muchas Gracias Mitchell por compartir tu investigación, es un video muy bien explicado, en particular me ayudó a entender mejor el funcionamiento de las ConvNet. Éxito en tu canal y en tu carrera!
Muchas gracias por el tiempo que se ah tomado, excelente video me aclaro algunas dudas , espero mas adelante ver como mover un modelo y desarrollarlo en una aplicacion de escritorio o web >< Saludos desde Chincha -Ica
Los mejores 71 minutos mejor invertidos en mi vida. Gracias desde Lima
No puedo creer que solo tengas 60 laiks , 😨, magistral la explicación 👍, te ganaste una 🍺, 🍻🍻 🎵clink clink clink🎵
muchas gracias buen trabajo
Muchas Gracias!
Excelente video!
sos mi idolo
Haha, dos meses de clases resumidas en una hora, que buen servicio. 👌😁
Excelente explicación y trabajo estimado Mitchell. Talvez algún tutorial orientado a reconocimiento facial con CNN o aplicando Transfer learning????
Gracias a tu video pasé mi primer entrevista de trabajo, agradecido por siempre !!
muy buen trabajo Mitchel!!!.. tienes la oportunidad de hacer un video de los otros dos tipos de redes? (deteccion de objectos y segmentacion?)
Excelente explicación, muchas gracias! Podrías compartir el código?
min 36:00 esa explicacion me gusto crack; por supuesto todo el video tambien, gracias puede entenderlo mejor
Hola, el video esta muy bueno y me gustaría hacer una investigación matemática de esto, me podrías recomendar alguna fuente que tenga los pasos matemáticos específicos para lograr el reconocimiento facial, por favor.
Hola, gracias por compartir tu conocimiento. Tengo una pregunta ¿Cómo se puede saber el tamaño de cada imagen del set de datos y cómo se sabe cuál redimensión es la más ideal?
buen contenido, existe algun producto en el mercado para permitir detectar estados de ánimo con el analisis de la llamada telefónica? (por ejemplo para un call center)
gracias buena explicacion, donde consigo ese ejemplo de las CNN con la imagen del numero 8? del minuto 36:19??
hola una pregunta al momento de correr solo me genre el val_loss y el val_accuracy en la primera epoca y en las demás solo loss y accuracy del entrenamiento no se que me falta gracias
podrias decirme que programas utilizaste para realizarlo?
que version de keras y tensorflow usas ?
se le agradeceria la bibliografia utilizada gracias
@gabrielachiluisa8855
3 жыл бұрын
yo también quiero la bibliografía, quizá la encontró o me puede recomendar alguna por favor
sera posible que publiques el codigo para descargar?
Pero si dejabas el codigo para descargarlo, hubiese sido mejor.
¿Se puede acceder al código para recrear la explicación de forma práctica?
@infester159
3 жыл бұрын
import sys import os from tensorflow.python.keras.preprocessing.image import ImageDataGenerator from tensorflow.python.keras import optimizers from tensorflow.python.keras.models import Sequential from tensorflow.python.keras.layers import Dropout, Flatten, Dense, Activation from tensorflow.python.keras.layers import Convolution2D, MaxPooling2D from tensorflow.python.keras import backend as K K.clear_session() data_entrenamiento = './data/entrenamiento' data_validacion = './data/validacion' """ Parameters """ epocas=20 longitud, altura = 150, 150 batch_size = 32 pasos = 1000 validation_steps = 300 filtrosConv1 = 32 filtrosConv2 = 64 tamano_filtro1 = (3, 3) tamano_filtro2 = (2, 2) tamano_pool = (2, 2) clases = 3 lr = 0.0004 ##Preparamos nuestras imagenes entrenamiento_datagen = ImageDataGenerator( rescale=1. / 255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1. / 255) entrenamiento_generador = entrenamiento_datagen.flow_from_directory( data_entrenamiento, target_size=(altura, longitud), batch_size=batch_size, class_mode='categorical') validacion_generador = test_datagen.flow_from_directory( data_validacion, target_size=(altura, longitud), batch_size=batch_size, class_mode='categorical') cnn = Sequential() cnn.add(Convolution2D(filtrosConv1, tamano_filtro1, padding ="same", input_shape=(longitud, altura, 3), activation='relu')) cnn.add(MaxPooling2D(pool_size=tamano_pool)) cnn.add(Convolution2D(filtrosConv2, tamano_filtro2, padding ="same")) cnn.add(MaxPooling2D(pool_size=tamano_pool)) cnn.add(Flatten()) cnn.add(Dense(256, activation='relu')) cnn.add(Dropout(0.5)) cnn.add(Dense(clases, activation='softmax')) cnn.compile(loss='categorical_crossentropy', optimizer=optimizers.Adam(lr=lr), metrics=['accuracy']) cnn.fit_generator( entrenamiento_generador, steps_per_epoch=pasos, epochs=epocas, validation_data=validacion_generador, validation_steps=validation_steps) target_dir = './modelo/' if not os.path.exists(target_dir): os.mkdir(target_dir) cnn.save('./modelo/modelo.h5') cnn.save_weights('./modelo/pesos.h5')
Dropout es un método de regularización, ¿verdad?
@0sandruskyi0
3 жыл бұрын
Sí, lo es
Muy buen video. Disculpe me sale este error: AttributeError: module 'tensorflow.python.keras.optimizers' has no attribute 'Adam' . Ojala me pueda ayudar, me dice que no existe ni ese, ningun otro optimizador.
@gabrielachiluisa8855
3 жыл бұрын
@light lrc si logre resolverlo, gracias por la ayuda.
@jaimefabriciobanomera38
2 жыл бұрын
@@gabrielachiluisa8855 disculpe como lo resolvio
@ivanhernandezruiz892
Жыл бұрын
Hola, me podrias ayudar como lo terminaste resolviendo
no tiene audio?