Taller introductorio de CNN para la Maestría de Humanidades Digitales en Uniandes, Bogotá D.C. 2021-10.
El trabajo consiste en entender cómo funciona tres redes neuronales basadas en convolución. La primera es un Autoencoder o una red para recrear conjuntos de datos. La segunda es un clasificador de prendas. Y la tercera, es un clasificador de prendas capas de remover ignorar errores (remover ruido).
Para el entrenamiento y optimización de los modelos se utiliza el conjunto MNIST de moda (FASHION MNIST DATA).
- 01-CNN-Autoencoder.ipynb: Código interactivo para entrenar y probar un Autoencoder convolucional de 2 capas.
- 02-CNN-Classifier.ipynb: Código interactivo para entrenar y probar un clasificador convolucional de 2 capas y 10 categorías de respuesta.
Los modelos entrenados se guardan en la carpeta *\Models\....
Los datos se pueden encontrar en la carpeta //Data o también en su fuente oficial fashion-mnist
En resumen, el conjunto posee 60.000 ejemplares y un conjunto de pruebas de 10.000 ejemplos. Cada ejemplo es una imagen en escala de grises de 28x28, asociada a una etiqueta de 10 clases.
Las etiquetas son:
| Label | Description |
|---|---|
| 0 | T-shirt/top |
| 1 | Trouser |
| 2 | Pullover |
| 3 | Dress |
| 4 | Coat |
| 5 | Sandal |
| 6 | Shirt |
| 7 | Sneaker |
| 8 | Bag |
| 9 | Ankle boot |
- VS Code 1.56 como Ambiente de desarrollo (IDE).
- Python 3.8 como lenguaje de programación principal.
- Jupyter 1.0.0 como plataforma interactiva de desarrollo.
- TensorFlow 2.4.1 para el entrenamiento y prueba de los modelos.
- Keras 2.4.5 para el entrenamiento y pruebas de los modelos.
- SKlearn 0.0.2 el preprocesamiento de los datos.
- Pandas 1.2.3 para el preprocesamiento de los datos.
El código también puede ejecutarse en el IDE On-Cloud de Google Colab
Este es un taller de caracter introductorio que muestra el uso basico de las redes convolucionales o CNN como ejemplo y sustento de las explicaciones del taller de HDIG.