Cognitive Science">
4.2 Practica. Técnicas de Deep Learning en Datos Longitudinales
4.2 Practica. Técnicas de Deep Learning en Datos Longitudinales
4.2 Practica. Técnicas de Deep Learning en Datos Longitudinales
Equipo
Magdaleno Arroyo Dulce María
000-00- 4830
Este tipo de red extrae de forma automática características para de esta forma
poder clasificar los objetos, funcionan de forma similar a la arquitectura de la
corteza visual de los mamíferos donde se extraen campos receptivos locales y se
conectan a filtros. (KeepCoding, 2019)
El análisis del algoritmo fue revisado y evaluado de (Na8, 2018), donde una red
neuronal convolucional o también llamada CNN por su traducción en Convolutional
Neural Network permiten identificar objetos y ver como se mencionó anteriormente,
además, contienen varias capas ocultas como las mencionadas con una jerarquía.
1.1.2. Preprocesamiento
Iniciando el procesamiento se debe normalizar los valores por los colores de los
pixeles que van de 0 a 255, de esta forma se realizaría una transformación de cada
pixel con valor/255 donde siempre será un 1 o 0. La Figura 2 muestra cómo se
determinaría el color en una imagen.
Figura 2. Colores y manejo de valores de colores por pixel
1.1.3. Convoluciones
La función más utilizada para este tipo de redes es llamada ReLu (Rectifier Linear
Unit) que es f(x) = max (0,x)
1.1.4. Subsampling
En este paso se requiere reducir la cantidad de neuronas antes de hacer una nueva
convolución, lo anterior, para reducir el tamaño de la próxima capa utilizando
subsampling donde prevalecerán las características más importantes que detectó
cada filtro, hay muchos métodos de subsampling, el más usado se llama Max-
Pooling. La primera convolución vendría dada como se muestra en la Figura 5.
El paso final es tomar la última capa oculta que es llamada también “tridimensional”
y se aplana para dejarla como una capa de neuronas tradicionales, una forma de
verlo es la Figura 7 donde se obtienen estas neuronas para el posterior análisis.
A esta capa tradicional se le aplica una función llamada Softmax que encuentra las
clases para clasificar los objetos. Estas salidas tendrán el formato “one-hot-
encoding”.
1.2. Implementación de la red neuronal convolucional (implementación
del algoritmo).
En este caso se debe tener en cuenta que hay librerías de tensorflow que se
deben usar para to_categorial y BatchNormalization
a. Se crea la etiqueta labels para dar a cada deporte, de esta forma se podrá
utilizar el algoritmo supervisado, por ejemplo, se cargarán imágenes de
boxeo con la etiqueta 3, ciclismo 4 y así con todas.
b. Con esas etiquetas se ajustarán los pesos de las neuronas con las entradas
y salidas esperadas.
c. Luego se convierten las etiquetas e imágenes en numpy array con la
función np.array()
1.2.4. Creación de conjuntos de entrenamiento y pruebas
Este algoritmo de tipo red neuronal está condicionado a los colores de la imagen
para clasificar los pixeles, lo que lo vuelve dependiente de las imágenes a utilizar,
esto puede ocasionar que el algoritmo pueda ser liviano o pesado y que los
resultados de las capas se tomen un determinado tiempo en procesarse, además,
con el uso del aplanado de los filtros puede llegar a generar confusiones si no se
ha entrenado correctamente el modelo.
Es de anotar que este tipo de redes está diseñado para cualquier tipo de objetos
que tengan colores, en ese caso también estaría siendo viable su uso en poder
detectar objetos contundentes en videos o fotografías donde a simple vista no sea
tan obvio su detección, esto sería excelente en áreas como investigación forense.