Summary
Keywords
Full Transcript
En este video crearemos un clasificador de imágenes de inicio a fin, usando IA, Python y Tensorflow. Veremos cómo manipular nuestras imágenes de entrenamiento, probaremos varias arquitecturas e hiperparámetros con Tensorboard, veremos cómo mejorar nuestros modelos con Aumento de Datos a detalle, y exportaremos y usaremos el modelo en un sitio web. Ya tengo cursos! Aprende a programar desde cero con Python: https://www.domestika.org/es/courses/5228-introduccion-a-la-programacion-con-python/ringatech Aprende IA desde cero con Python: https://www.domestika.org/es/courses/5239-introduccion-a-la-ia-con-python/ringatech Si quieres apoyarme y formar parte de este proyecto, puedes hacerlo de varias maneras: - Patreon: http://bit.ly/patreon-ringatech - Membresía Youtube: https://www.youtube.com/channel/UCm9QZ70KuIVShztZ7HmE4NQ/join - Da clic en me gusta y déjame un comentario! Ligas relevantes: Código fuente (web): https://github.com/ringa-tech/clasificador-perros-gatos Colab (Python / Tensorflow): https://colab.research.google.com/drive/1DQc8a-WOTctenvoy5T0lWUXn47EuteCy?usp=sharing Lista de reproducción para aprender redes neuronales desde cero con Python y Tensorflow: https://youtube.com/playlist?list=PLZ8REt5zt2Pn0vfJjTAPaDVSACDvnuGiG Suscríbete y revisa mis otros videos! = = = CONTENIDO 0:00 - Descripción del proyecto 1:43 - Datos de entrenamiento 4:34 - Manipular el set de datos 8:04 - Preparar los datos para el entrenamiento 10:00 - Modelos a utilizar 12:19 - Entrenamiento de primer modelo 13:40 - Uso de Tensorboard en Colab 14:32 - Entrenar y analizar modelos 2 y 3 16:30 - Aumento de datos 20:00 - Entrenamiento de 3 modelos con aumento de datos 23:43 - Comparación de resultados y elección 25:02 - Exportación de modelo 25:46 - Creación de HTML y predicción con Tensorflow.js 32:26 - Cómo usar el sitio y predecir en el celular 32:05 - Probando el clasificador final = = = Descripción larga para el algoritmo: Hoy crearemos un clasificador de perros y gatos utilizando inteligencia artificial (artificial intelligence), aprendizaje automático (machine learning) y redes neuronales (neural networks). Veremos a detalle como descargar un set de datos y manipularlo lo que necesitemos para prepararlo para entrar en las redes para realizar el entrenamiento. Entrenaremos varios modelos de red neuronal con distintos hiperparámetros, y compararemos su desempeño utilizando las gráficas de Tensorboard. Con tensorboard fácilmente vemos cómo sucede el sobreajuste (overfitting) y cómo solucionarlo para el proyecto. Probaremos 3 modelos diferentes regulares, y después 3 modelos con aumento de datos. Veremos por qué unos son mejores que otros, y elegiremos el mejor. Después exportaremos el modelo elegido a Tensorflow js para importarlo en un sitio web desarrollado con HTML, CSS y Javascript. Dicho sitio web podremos verlo en un celular ya sea cargándolo en un sitio web con HTTPS, o utilizando un túnel como NGROK. Veremos qué tal funciona el modelo creado, revisando imágenes de perros y gatos con mi celular, y finalmente probándolo con uno de mis perros para ver qué tal funciona. El modelo elegido finalmente es una red neuronal convolucional con 3 capas de convolución (de 32, 64 y 128 filtros), y una capa densa de 100 neuronas. A diferencia de videos previos, utilizamos la función de activación Sigmoid para la salida. = = = #ia #python #tensorflow #machinelearning #tensorboard
Continue this lesson in the app
Install CourseHive on Android or iOS to keep learning while you move.
