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...

[@juansebastianpuentescorona451]

Viejo explicas mejor que el muchos profesores

[@alexanderobispo132]

Muchas Gracias por tomarse el tiempo de hacer el video para compartir sus conocimientos!

[@foobar43]

S-O-S U-N G-R-O-S-O 👏👏 En las universidades hacen falta personas como tú.

[@mlopez8617]

No puedo creer que solo tengas 60 laiks , 😨, magistral la explicación 👍, te ganaste una 🍺, 🍻🍻 🎵clink clink clink🎵

[@johannagutierrezgaviria1064]

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!!

[@wriverapaniagua]

MUCHAS GRACIAS POR EL VIDEO,BIEN EXPLICADO Y ENTENDI A LA PERFECCION!!!

[@natalymartinezcervantes3494]

Excelente video, muy útil y super completo!! Gracias!

[@tomastimoteolaguna7974]

Muchas gracias por el gran trabajo que hace

[@orlandodavidzenasandoval9922]

Mis felicitaciones por su buen trabajo estimado, muy buena explicación.

[@joehuerta9]

Excelente video profe ^_^. Claro y preciso. Saludos👍

[@carlossierra2903]

Saludos desde Ibague Colombia, genial tu explicacion gracias por compartir tu conocimiento. Suscrito

[@josi.fernandez]

Gracias, me sirvieron mucho tus videos. Ojala sigas creciendo en youtube asi tus videos pueden llegar a mas personas.

[@andresmoreno4726]

¡Esto es grandioso!, Muchas gracias

[@abrahamtrauco6899]

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.

[@alfonsoramos-michel]

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.

[@anthonyservita1491]

excelente amigo, muy buen aporte felicitaciones

[@leonardomorales7643]

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!

[@bytedataperu7289]

Los mejores 71 minutos mejor invertidos en mi vida. Gracias desde Lima

[@onlyblas7657]

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

[@xavierbravo6574]

muchas gracias buen trabajo

[@AlexanderRodriguez-zp9yg]

Haha, dos meses de clases resumidas en una hora, que buen servicio. 👌😁

[@uno234567ocho]

Excelente video!

[@edisonvasquez7088]

Excelente explicación y trabajo estimado Mitchell. Talvez algún tutorial orientado a reconocimiento facial con CNN o aplicando Transfer learning????

[@lauraduquejadedt2860]

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?

[@infomitchell]

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]

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]

me podrías ayudar con la bibliografía utilizada por favor. Excelente video

[@killianrocky3431]

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]

@Killian Rocky Instablaster =)

[@killianrocky3431]

@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.

[@alejandrovalencia4869]

Muchas Gracias!

[@jeannsyo]

min 36:00 esa explicacion me gusto crack; por supuesto todo el video tambien, gracias puede entenderlo mejor

[@josevallejomendez9451]

Gracias a tu video pasé mi primer entrevista de trabajo, agradecido por siempre !!

[@camilofarinavalencia4078]

sos mi idolo

[@cesarp6761]

muy buen trabajo Mitchel!!!.. tienes la oportunidad de hacer un video de los otros dos tipos de redes? (deteccion de objectos y segmentacion?)

[@giovannivargaspalacios3069]

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

[@emont]

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)

[@cairel_]

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.

[@nachoxb]

Excelente explicación, muchas gracias! Podrías compartir el código?

[@leonelmen64]

gracias buena explicacion, donde consigo ese ejemplo de las CNN con la imagen del numero 8? del minuto 36:19??

[@edwardcruz517]

que version de keras y tensorflow usas ?

[@jonathanguerreroherrera1947]

podrias decirme que programas utilizaste para realizarlo?

[@AlexanderRodriguez-zp9yg]

Pero si dejabas el codigo para descargarlo, hubiese sido mejor.

[@progra_kun4331]

sera posible que publiques el codigo para descargar?

[@juliocesarmamaniccanihua6561]

se le agradeceria la bibliografia utilizada gracias

[@gabrielachiluisa8855]

yo también quiero la bibliografía, quizá la encontró o me puede recomendar alguna por favor

[@ismaelescalante7948]

no tiene audio?

[@FullStackEc]

¿Se puede acceder al código para recrear la explicación de forma práctica?

[@infester159]

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')

[@faustobriones2644]

Dropout es un método de regularización, ¿verdad?

[@0sandruskyi0]

Sí, lo es

[@gabrielachiluisa8855]

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]

@light lrc si logre resolverlo, gracias por la ayuda.

[@jaimefabriciobanomera38]

@@gabrielachiluisa8855 disculpe como lo resolvio

[@ivanhernandezruiz892]

Hola, me podrias ayudar como lo terminaste resolviendo