Professional Documents
Culture Documents
PRESENTACION ACTUALIZADA
PROFESOR:
LIMA – PERÚ
INDICE:
1. BASE DE DATOS MNIST......................................................................................................... 1
2. COMPARACION DE PARAMETROS ....................................................................................... 2
a) Solucionador: solver ................................................................................................... 2
b) Función de activación ................................................................................................. 3
c) Alpha ................................................................................................................................ 5
d) Numero de neuronas ................................................................................................... 5
3. PRUEBAS CON DATOS EXTERNOS. ....................................................................................... 7
1
El conjunto de datos mixto de Instituto Nacional de estándares y tecnología (MNIST) es una
colección de 70.000 pequeñas imágenes de dígitos escritos a mano. Los datos fueron creados
para actuar como un referente para los algoritmos de reconocimiento de imagen. Aunque
MNIST las imágenes son pequeñas (28 x 28 pixeles) y sólo hay 10 dígitos posibles (cero a nueve)
a reconocer y hay 60.000 imágenes de formación para la creación de un modelo de
reconocimiento de imagen (con 10.000 imágenes tendidas a probar la exactitud de un modelo),
la experiencia ha demostrado que reconocer las imágenes MNIST es un problema difícil.
2. COMPARACION DE PARAMETROS
Para la clasificación usaremos lo siguiente MLPClassifier el cual para obtener una mayor
precisión se tiene que cambiar sus parámetros, las cuales se escogieron en base a ensayos de
prueba y error, luego comparando los resultados en tablas para hallar los parámetros más
óptimos.
a) Solucionador: solver
Empezamos como parámetros iniciales los mismos que se usaron en clase y con 80
neuronas como constantes iniciales para modular el Solucionador.
2
Comparacion de Solver
1.02
1 1 1
0.98
0.96
0.95 0.95
0.94 0.94
0.93
0.92
0.9
0.88
'adam' 'lbfgs' 'sgd'
b) Función de activación
'Identidad', activación sin operación, útil para implementar cuellos de botella lineales,
devuelve f (x) = x
'logistic', la función sigmoide logística, devuelve f (x) = 1 / (1 + exp (-x)).
'tanh', la función tan hiperbólica, devuelve f (x) = tanh (x).
'relu', la función de unidad lineal rectificada, devuelve f (x) = max (0, x)
Adam Lbfgs
ACTIVATION pred train pred test pred train pred test
identity 0.98 0.9 1 0.88
logistic 1 0.95 1 0.94
tanh 1 0.95 1 0.94
relu 1 0.95 1 0.94
TABLA 2. COMPARACIÓN DE FUNCIONES DE ACTIVACIÓN
3
Comparacion de Funcion de
activacion(lbfgs)
1.02
1
0.98
0.96
0.94
0.92
0.9
0.88
0.86
0.84
0.82
identity logistic tanh relu
Comparacion de Funcion de
activacion(adam)
1.02
1
0.98
0.96
0.94
0.92
0.9
0.88
0.86
0.84
identity logistic tanh relu
4
c) Alpha
Comparacion de alpha
1.2
0.8
0.6
0.4
0.2
0
0.00001 0.0001 0.001 0.01 0.1 1 10 100 1000
train test
d) Numero de neuronas
5
De los cuales se escogió los siguientes parámetros:
M Precisión Precisión
Train Test
10 0.99 0. 9
15 1 0.91
20 1 0.92
25 1 0.93
30 1 0.93
35 1 0.93
40 1 0.94
45 1 0.94
50 1 0.94
55 1 0.95
60 1 0.95
65 1 0.95
70 1 0.94
75 1 0.95
80 1 0.95
85 1 0.95
90 1 0.95
100 1 0.95
150 1 0.95
200 1 0.96
0.8
0.6
0.4
0.2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
6
3. PRUEBAS CON DATOS EXTERNOS.
7
Data de entrada 2:
Tenemos una serie de números relacionados a las placas de automóviles otorgadas por el
profesor del curso.
OPENCV Y PYTHON:
8
FIGURA 8. Aplicación de opencv
FIGURA 9. BINARIZACION
9
FIGURA 10. Escala de grises
10
4. DESARROLLO DEL CÓDIGO:
Captura: Para la captura se usó una cámara del celular, se usó la aplicación IPWebCam. Se
debe poner la dirección de la red para la conexión de la cámara y la PC.
IPWEBCAM: la laptop por medio de wifi podemos obtener el video en tiempo real de la
cámara y mediante su IP y código en Python nos permite llamar dicho video para la captura
de la misma en tiempo real.
11
5. Pruebas en tiempo real:
12
Resultados con base de datos MNIST
13
14
Resultados con segunda base de datos.
15
16
- http://scikit-
learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html
- https://anaconda.org/anaconda/python
- https://docs.opencv.org/
- https://docs.python.org/2/tutorial/index.html
17