ISMR Reporte Red Neuronal

Integración de Sistemas Mecatrónicos y Robóticos
Unidad II Proyecto Red Neuronal
Universidad Politécnica de Guanajuato
Ingeniería Robótica
Red neuronal
Grado y grupo: 9°B
Profesor: Mota Muñoz Francisco Gustavo
Alumnos: Tierrablanca Gudea Guadalupe
Gómez Meza Sergio Alejandro
Martínez Mejía Antonio
25 DE JULIO DE 2022
MAYO-AGOSTO 2022
Parcial II Red neuronal
Parcial II Proyecto red neuronal. Entrega: 26 Julio 2022
Para empezar
Introducción
Una red neuronal es un modelo de computación cuya

estructura de capas se asemeja a la estructura
interconectada de las neuronas en el cerebro, con capas de
nodos conectados. Una red neuronal puede aprender de los
datos, de manera que se puede entrenar para que reconozca
patrones, clasifique datos y pronostique eventos futuros.
Las redes neuronales descomponen las entradas en capas

de abstracción. Se pueden entrenar con muchos ejemplos
para que reconozcan patrones de voz o en imágenes, por
ejemplo, igual que el cerebro humano. Su comportamiento
está definido por la forma en que se conectan sus elementos
individuales, así como por la importancia (o ponderación) de
dichas conexiones. Estas ponderaciones se ajustan
automáticamente durante el entrenamiento de acuerdo con Red neuronal.
una regla de aprendizaje especificada hasta que la red
neuronal lleva a cabo la tarea deseada correctamente.
Objetivo del proyecto

En este proyecto aprenderá a programar redes neuronales utilizando Python, se desea
implementar una máquina para checar precios de productos que no tienen código de barras,
tales como frutas y las verduras.
Marco teórico
Conceptos clave
Aprendizaje automático
El aprendizaje automático es un nuevo paradigma de
programación.
En la programación regular se procesan datos de entrada

mediante un algoritmo para generar un resultado de salida.
El resultado es producto de las reglas y lógica escrita por el
programador.
En el aprendizaje automático, se tiene en principio un

conjunto de datos de entrada con sus respectivos resultados,
pero no se conocen las reglas o lógica para convertir esas
entradas en los resultados.
Aprendizaje automático.
Lo que se desea con el aprendizaje automático es generar un
modelo “red neuronal” que aprenda por sí mismo el algoritmo
necesario, para convertir las entradas en los resultados. Un
sistema de aprendizaje automático es entrenado en lugar de
ser programado.
Capas y neuronas
Las redes neuronales se separan en capas, cada capa puede
tener una o más neuronas, cualquier red tiene al menos una
capa de entrada para recibir los datos de entrada y también
debe tener una capa de salida donde se obtiene el resultado
calculado. En redes más elaboradas se cuenta además con
capas intermedias llamadas ocultas.
Las neuronas se conectan unas con otras y a cada conexión

se le asocia un peso “valor” el cual determina la importancia
de la conexión. Así mismo, cada neurona a excepción de las
de la capa de entrada tienen un sesgo.
Capas y neuronas.
El funcionamiento básico de una red neuronal es el siguiente: el dato de entrada en la neurona se multiplica por el peso de la
conexión entre neuronas a ese resultado, se le suma el sesgo y de esta manera se determina el resultado.
Las redes neuronales más complejas, cuentan con muchas capas, miles de neuronas y millones de conexiones.
El proceso de creación y entrenamiento de

una red neuronal.
Paso 1. Conseguir un buen número de datos de entrada con
sus respectivos resultados.
Paso 2. Diseñar la arquitectura de la red neuronal, es decir

cuantas neuronas existirán en la capa de entrada, cuantas en
la capa intermedia y cuantas en la capa de salida.
Paso 3. Seleccionar el método de optimización, la tasa de

aprendizaje y la función de pérdida.
Paso 4. Entrenar la red neuronal, proporcionando los datos

de entrada con sus respectivos resultados y las épocas o
ciclos de aprendizaje. El proceso de aprendizaje.
El proceso de aprendizaje automático, comienza asignando de manera aleatoria los valores del peso de la conexión y el
sesgo, posteriormente la red neuronal va tomando uno a uno los datos de entrada para realizar su respectiva predicción,
corroborar con la salida y ajustar de manera automática los valores del peso y sesgo en cada prueba.
Paso 5. Una vez que la red ha terminado su entrenamiento, se puede utilizar para hacer predicciones con nuevos datos y
obtener los resultados esperados.
“Red neuronal”.
Planteamiento del problema
Diseñe, implemente y entrene una red neuronal,

utilizando Python, y Tensor Flow.
Funcionamiento esperado de la máquina: El

cliente aproxima el producto que desea verificar
a la máquina, la máquina percibe la proximidad
del producto mediante un sensor, le toma una
fotografía y mediante inteligencia artificial
identifica el producto, revisa en su base de
datos el precio y mediante las herramientas de
TexttoSpeech le dice el precio al cliente.
Estrategia de solución
La red neuronal se diseña empleando Python y la librería Keras la arquitectura de la red neuronal
(cuantas neuronas en la capa de entrada, cuentas en capas intermedias y cuantas en la capa de
salida).
Se entrena la red con los sets de datos empleando el entorno Tensor Flow y se obtiene el modelo
resultante.
Finalmente, se emplea el modelo para predecir el resultado de nuevos datos.
• La única manera de interactuar con la máquina es a través de comandos de voz, no se

aceptan botones, ni pantallas.
• Debe ser capaz de identificar hasta 4 productos diferentes (manzanas, platanos, jitomates y
pepinos).
• Debe utilizar las herramientas de TexttoSpeech de IBM Cloud.
• Debe utilizar TensorFlow y Keras de Google para construir la red neuronal
Lista de materiales
Computadora personal
Google Colab Keras Tensor Flow
(Windows 7 o Windows 10)
Desarrollo del proyecto
1. Importamos librerias
2. Leemos carpeta general y contamos el total de imágenes.

a) Leemos la carpeta donde se almacenan las imágenes a utilizar.
b) Se crean listas vacías que se utilizaran posteriormente.
c)En este ciclo for busca todas las carpetas y va contando todas las
imágenes que se encuentre.
d) Al final nos indica el número total de imágenes que hay en todas las
carpetas.
3. Etiquetamos las imágenes de las carpetas.
4. Etiquetamos en subcarpetas.
5. Convertimos las etiquetas e imágenes en arrays.
6. El 20% del total de imágenes se ira para prueba.
7. Vizualizamos las primeras imágenes de la variable entrenamiento y prueba.
8. Las imágenes las convertimos en tipo de dato "float32".
9. Se convierte a listas de datos sin comas.
10. Tomamos el 20 % de los datos de prueba.
11. Creación de la red neuronal comenzando por sus parámetros.

12. Compilamos la red neuronal.

13. Entrenamiento de la red neuronal y guardado del modelo.
14. Imprimimos los datos de pérdida, exactitud y generar sus gráficas
15. Realizamos la predicción al ingresarle las imágenes de prueba.
16. Guardamos en una lista los resultados.

17. Buscamos las imágenes correctas y mostramos 9 de ellas.
18. Instalamos la librería para utilizar ibm Watson.
19. Importamos las librerías para ibm watson y para reproducir audio y
posteriormente comenzar con la captura de imágenes y dependiendo del resultado,
reproducir un determinado audio.
Conclusión
La red fue diseñada con éxito sin embargo no tiene un aprendizaje, pero solo se
entreno para poder clasificar algunos objetos de manera correcta.
Finalmente vemos la gran utilidad que tienen y el campo que pueden llegar a
abarcar ya que como reconocimiento de patrones y la habilidad para clasificar en
base a ellos, podemos llegar a aplicaciones muchos más complejas. De la manera
como se diseñó esta red, se tiene también muchas más aplicaciones a cualquier
parte y en cualquier forma.
Referencias
[1] Ringa Tech. (2022, 27 de julio). Tu primera red neuronal en Python y Tensor Flow [Video].
YouTube. https://www.youtube.com/watch?v=iX_on3VxZzk.
[2] Ringa Tech. (2022, 27 de julio). Tu primer clasificador de imágenes con Python y Tensorflow
[Video]. https://www.youtube.com/watch?v=j6eGHROLKP8
The MathWorks, I. (1994-2022). MATLAB & Simulink. https://la.mathworks.com/discovery/neural-

network.html?s_tid=srchtitle_neural%2520networks_5

ISMR Reporte Red Neuronal

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ISMR Reporte Red Neuronal

Cargado por

Copyright:

Formatos disponibles

Integración de Sistemas Mecatrónicos y Robóticos

Unidad II Proyecto Red Neuronal

Universidad Politécnica de Guanajuato

Integración de Sistemas Mecatrónicos y Robóticos

Grado y grupo: 9°B

Profesor: Mota Muñoz Francisco Gustavo

Alumnos: Tierrablanca Gudea Guadalupe

Gómez Meza Sergio Alejandro

Martínez Mejía Antonio

Parcial II Red neuronal

Parcial II Proyecto red neuronal. Entrega: 26 Julio 2022

Una red neuronal es un modelo de computación cuya

Las redes neuronales descomponen las entradas en capas

Objetivo del proyecto

En la programación regular se procesan datos de entrada

En el aprendizaje automático, se tiene en principio un

Las neuronas se conectan unas con otras y a cada conexión

El proceso de creación y entrenamiento de

Paso 2. Diseñar la arquitectura de la red neuronal, es decir

Paso 3. Seleccionar el método de optimización, la tasa de

Paso 4. Entrenar la red neuronal, proporcionando los datos

Diseñe, implemente y entrene una red neuronal,

Funcionamiento esperado de la máquina: El

TexttoSpeech le dice el precio al cliente.

Finalmente, se emplea el modelo para predecir el resultado de nuevos datos.

• La única manera de interactuar con la máquina es a través de comandos de voz, no se

Desarrollo del proyecto

2. Leemos carpeta general y contamos el total de imágenes.

b) Se crean listas vacías que se utilizaran posteriormente.

3. Etiquetamos las imágenes de las carpetas.

5. Convertimos las etiquetas e imágenes en arrays.

6. El 20% del total de imágenes se ira para prueba.

7. Vizualizamos las primeras imágenes de la variable entrenamiento y prueba.

8. Las imágenes las convertimos en tipo de dato "float32".

9. Se convierte a listas de datos sin comas.

10. Tomamos el 20 % de los datos de prueba.

11. Creación de la red neuronal comenzando por sus parámetros.

12. Compilamos la red neuronal.

13. Entrenamiento de la red neuronal y guardado del modelo.

14. Imprimimos los datos de pérdida, exactitud y generar sus gráficas

15. Realizamos la predicción al ingresarle las imágenes de prueba.

16. Guardamos en una lista los resultados.

17. Buscamos las imágenes correctas y mostramos 9 de ellas.

18. Instalamos la librería para utilizar ibm Watson.

The MathWorks, I. (1994-2022). MATLAB & Simulink. https://la.mathworks.com/discovery/neural-

También podría gustarte