Observando las convoluciones

Inspeccionar las activaciones de una capa convolucional es muy interesante. ¡Tienes que hacerlo al menos una vez en la vida!

Para ello, vas a construir un modelo nuevo con el objeto Model de Keras, que recibe una lista de entradas y una lista de salidas. Las salidas que vas a proporcionar a este nuevo modelo son las salidas de la primera capa convolucional cuando se le da como imagen de entrada un dígito de MNIST.

El model convolucional que construiste en el ejercicio anterior ya está entrenado. Ahora puede clasificar correctamente imágenes manuscritas de MNIST. Puedes comprobarlo con model.summary() en la consola.

¡Veamos las máscaras convolucionales que se aprendieron en la primera capa convolucional de este modelo!

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

Instrucciones del ejercicio

Obtén una referencia a las salidas de la primera capa convolucional del modelo.
Construye un modelo nuevo usando la entrada de la primera capa del modelo y first_layer_output como salidas.
Usa este first_layer_model para predecir sobre X_test.
Representa las activaciones del primer dígito de X_test para los filtros de neuronas 15.º y 18.º.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Obtain a reference to the outputs of the first layer
first_layer_output = model.layers[____].output

# Build a model using the model's input and the first layer output
first_layer_model = Model(inputs = model.layers[0].input, outputs = ____)

# Use this model to predict on X_test
activations = ____.____(____)

# Plot the activations of first digit of X_test for the 15th filter
axs[0].matshow(activations[____,:,:,14], cmap = 'viridis')

# Do the same but for the 18th filter now
axs[1].matshow(activations[0,:,:,____], cmap = 'viridis')
plt.show()

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

IntermedioNivel de habilidad

4.8+

Empieza el curso gratis

En este primer capítulo, te presentarás a las redes neuronales, entenderás qué tipo de problemas pueden resolver y cuándo usarlas. También construirás varias redes y salvarás la Tierra entrenando un modelo de regresión que aproxima la órbita de un meteorito que se acerca a nosotros.

Exercise 1: ¿Qué es Keras?Exercise 2: Describiendo Keras Exercise 3: ¿Usarías deep learning?Exercise 4: Tu primera red neuronal Exercise 5: ¡Hola, redes!Exercise 6: Contando parámetros Exercise 7: ¡Constrúyelo tal como se muestra!Exercise 8: Sobrevivir a un impacto de meteorito Exercise 9: Especificar un modelo Exercise 10: Entrenamiento Exercise 11: ¡Prediciendo la órbita!

Al final de este capítulo, sabrás cómo resolver problemas binarios, multiclase y multilabel con redes neuronales. Todo ello resolviendo retos como detectar billetes de dólar falsos, decidir quién lanzó qué dardo a una diana y construir un sistema inteligente para regar tu granja. También podrás representar las métricas de entrenamiento del modelo y detener el entrenamiento y guardar tus modelos cuando ya no mejoren.

Exercise 1: Clasificación binaria Exercise 2: Explorando billetes de dólar Exercise 3: Un modelo de clasificación binaria Exercise 4: ¿Este billete de dólar es falso?Exercise 5: Clasificación multiclase Exercise 6: Un modelo multiclase Exercise 7: Prepara tu conjunto de datos Exercise 8: Entrenamiento con lanzadores de dardos Exercise 9: Predicciones con softmax Exercise 10: Clasificación multietiqueta Exercise 11: Una máquina de riego Exercise 12: Entrenamiento con múltiples etiquetas Exercise 13: Callbacks de Keras Exercise 14: El callback de historial Exercise 15: Detén tu modelo a tiempo (early stopping)Exercise 16: Una combinación de callbacks

En los capítulos anteriores has entrenado muchos modelos. Ahora aprenderás a interpretar curvas de aprendizaje para entender tus modelos mientras se entrenan. También visualizarás los efectos de las funciones de activación, los tamaños de lote y la normalización por lotes. Por último, aprenderás a realizar una optimización automática de hiperparámetros en tus modelos de Keras usando sklearn.

Exercise 1: Curvas de aprendizaje Exercise 2: Aprendiendo los dígitos Exercise 3: ¿Está sobreajustando el modelo?Exercise 4: ¿Necesitamos más datos?Exercise 5: Funciones de activación Exercise 6: Funciones de activación diferentes Exercise 7: Comparar funciones de activación Exercise 8: Comparar funciones de activación II Exercise 9: Tamaño de lote y normalización por lotes Exercise 10: Cambiar el tamaño de los lotes Exercise 11: Normalización por lotes en un modelo conocido Exercise 12: Efectos de la normalización por lotes Exercise 13: Ajuste de hiperparámetros Exercise 14: Preparar un modelo para el ajuste Exercise 15: Ajustar los parámetros del modelo Exercise 16: Entrenamiento con validación cruzada

¡Es hora de conocer arquitecturas más avanzadas! Crearás un autoencoder para reconstruir imágenes con ruido, visualizarás activaciones de redes neuronales convolucionales, usarás modelos profundos preentrenados para clasificar imágenes y aprenderás más sobre redes neuronales recurrentes y trabajo con texto mientras construyes una red que predice la siguiente palabra de una frase.

Exercise 1: Tensores, capas y autoencoders Exercise 2: Es un flujo de tensores Exercise 3: Separación neuronal Exercise 4: Construyendo un autoencoder Exercise 5: Eliminar ruido como un autoencoder Exercise 6: Introducción a las CNN Exercise 7: Construir un modelo CNN Exercise 8: Observando las convoluciones

Ejercicio actual

Exercise 9: Preparar tu imagen de entrada Exercise 10: Usar un modelo del mundo real Exercise 11: Introducción a las LSTM Exercise 12: Predicción de texto con LSTMs Exercise 13: Construye tu modelo LSTM Exercise 14: Descodifica tus predicciones Exercise 15: ¡Pon a prueba tu modelo!Exercise 16: ¡Has terminado!