Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Actividad 4. Desarrollo de Una Red Neuronal Convolucional en MATLAB

    Cargado por

    Dark Angel26
    47 vistas7 páginas
    Este documento describe los pasos para desarrollar una red neuronal convolucional en MATLAB para clasificar imágenes de flores. Incluye descargar archivos de apoyo, generar una cuenta en MathWorks, seguir las instrucciones para crear la red, tomar capturas de pantalla como evidencia, e incluir una introducción, desarrollo y conclusión en un reporte. El desarrollo explica cómo organizar y procesar las imágenes, crear el diagrama de la red, entrenar la red usando minilotes y GPU si está disponible, y evaluar el rendimiento

    Descripción original:

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento describe los pasos para desarrollar una red neuronal convolucional en MATLAB para clasificar imágenes de flores. Incluye descargar archivos de apoyo, generar una cuenta en MathWorks, seguir las instrucciones para crear la red, tomar capturas de pantalla como evidencia, e incluir una introducción, desarrollo y conclusión en un reporte. El desarrollo explica cómo organizar y procesar las imágenes, crear el diagrama de la red, entrenar la red usando minilotes y GPU si está disponible, y evaluar el rendimiento

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    47 vistas7 páginas

    Actividad 4. Desarrollo de Una Red Neuronal Convolucional en MATLAB

    Cargado por

    Dark Angel26
    Este documento describe los pasos para desarrollar una red neuronal convolucional en MATLAB para clasificar imágenes de flores. Incluye descargar archivos de apoyo, generar una cuenta en MathWorks, seguir las instrucciones para crear la red, tomar capturas de pantalla como evidencia, e incluir una introducción, desarrollo y conclusión en un reporte. El desarrollo explica cómo organizar y procesar las imágenes, crear el diagrama de la red, entrenar la red usando minilotes y GPU si está disponible, y evaluar el rendimiento

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    de 7

    Nombre alumno: Keyla Ivette Flores Arias

    Matricula: 145024

    Grupo: K092

    Materia: GRAFICACIÓN

    Maestro: JOSUE PEREZ LUCERO

    Tema: Actividad 4. Actividad 4. Desarrollo de una red neuronal


    convolucional en MATLAB

    Ciudad: Villahermosa, Tabasco. Fecha: 31 de Julio 2023


    1. Descarga el archivo de apoyo: instruccionesMatlab
    2. Genera una cuenta en MathWorks
    3. Sigue las instrucciones del archivo de apoyo y de la actividad en línea para crear una red
    neuronal convolucional
    4. Toma capturas de pantalla de la red que se va generando para generar la evidencia de la
    realización de la actividad
    5. Elabora un reporte que incluya:
    Introducción: en la que se ponga en contexto al lector respecto al contenido y desarrollo de la
    actividad.
    Desarrollo: donde expongas los pasos que realizaste para la elaboración de la actividad así
    como la evidencia de los mismos a través de capturas de pantalla así como la importancia de
    las redes neuronales convolucionales para clasificar y distinguir objetos en las imágenes,
    describir cada uno de los elementos requeridos en la práctica desarrollada para lograr que la
    red neuronal convolucional pueda realizar la clasificación
    Conclusión: donde expongas la relevancia de lo aprendido con la práctica profesional

    Procedemos a guardar las imágenes en una carpeta de datos.


    Luego, cambiamos el tamaño de la imagen utilizando el comando SIze.

    Para clasificar imágenes con una red neuronal convolucional, cada imagen debe tener el tamaño
    especificado por la capa de entrada de la red.
    En las aplicaciones de clasificación de imágenes, a menudo las imágenes están organizadas por
    clases en carpetas independientes. En esta actividad, creará un almacén de datos con la
    carpeta Flowers, que contiene 5 subcarpetas; cada una contiene 3 imágenes de un tipo de flor.
    Realizamos el diagrama

    ¿Qué es un "minilote"?

    En cada iteración, se utiliza un subconjunto de las imágenes de entrenamiento, denominado


    minilote, para actualizar los pesos. Cada iteración utiliza un minilote diferente. Una vez que todo el
    conjunto de entrenamiento se ha utilizado, se completa una época.

    Utilización de una GPU

    Una GPU (unidad de procesamiento gráfico) puede acelerar significativamente los muchos cálculos
    necesarios para deep learning. Si el equipo informático no dispone de una GPU compatible, el
    entrenamiento puede realizarse en CPU, pero llevará más tiempo. Si va a comprometer a usar
    deep learning, es preferible entrenar la red en un equipo con una GPU capaz de gestionar el
    procesamiento necesario.

    Si dispone de una GPU adecuada y ha instalado Parallel Computing Toolbox, la función


    trainNetwork realizará automáticamente el entrenamiento en la GPU, sin necesidad de código
    especial.

    En caso contrario, el entrenamiento se realizará en la CPU de su equipo. De este modo, tendrá la


    opción de experimentar un poco antes de decidirse a comprar el hardware y el software
    necesarios.
    Clasificación de Flores.
    Puede determinar cuántas imágenes de prueba ha clasificado correctamente la red. Para ello,
    compare la clasificación prevista con la clasificación conocida. Las clasificaciones conocidas se
    almacenan en la propiedad Labels del almacén de datos.

    Puede utilizar la comparación lógica y la función nnz para determinar el número de elementos de
    dos arreglos que coinciden:

    numequal = nnz(a == b)

    La función confusionchart calcula y muestra la matriz de confusión para las clasificaciones


    previstas.

    confusionchart(knownclass,predictedclass)

    El elemento (j,k) de la matriz de confusión es un recuento de cuántas imágenes de la clase j predijo


    la red que estarían en la clase k. Por tanto, los elementos diagonales representan clasificaciones
    correctas, en tanto que los no diagonales representan clasificaciones erróneas.

    También podría gustarte