Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTACION ACTUALIZADA
PROFESOR:
LIMA – PERÚ
INDICE:
1
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
11 1
0.98
0.96
0.95 0.95
0.94 0.94
0.93
0.92
0.9
0.88
'adam' 'l bfgs ' 's gd'
b) Función de activación
'Identidad', activación sin operación, útil para implementar cuellos de botella lineales,
devuelve f (x) = 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 acti vacion(lbfgs)
1.02
1
0.98
0.96
0.94
0.92
0.9
0.88
0.86
0.84
0.82
i dentity l ogi stic ta nh rel u
0.98
0.96
0.94
0.92
0.9
0.88
0.86
0.84
i dentity l ogi stic ta nh rel u
pred trai n pred test
Comparacion de alpha
1.2
0.8
0.6
0.4
0.2
0
0 0 0 0.01 0.1 1 10 100 1000
tra i n 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
Preci s i on tra i n Preci s i on test
8
Data de entrada 2:
Tenemos una serie de números relacionados a las placas de automóviles otorgadas por el
profesor del curso.
OPENCV Y PYTHON:
PROCEDIMIENTO:
9
FIGURA 8. Aplicación de opencv
FIGURA 9. BINARIZACION
10
FIGURA 10. Escala de grises
11
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.
12
5. Pruebas en tiempo real:
13
Resultados con base de datos MNIST
14
15
Resultados con segunda base de datos.
16
17
18