Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VICERRECTORADO ACADÉMICO
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS
SAN JOAQUÍN DE TURMERO ESTADO ARAGUA
Profesor: Participante:
José Ceballos Beatriz Paredes C.I: 27.864.010
Noviembre 2022
Índice
Introducción 2
Desarrollo 4
Conclusión 9
Referencias 10
Introducción
Las redes neuronales se separan en tres tipos de capas de las que tenemos:
La primera capa recibe como entrada los datos reales que alimentan a
la red neuronal. Es por eso por lo que la primera capa se conoce como capa
de entrada. La salida de la última capa es el resultado visible de la red, por lo
que la última capa se conoce como la capa de salida. Las capas que se
sitúan entre la capa de entrada y la capa de salida se conocen como capas
ocultas las cuales no reciben ni suministran información al entorno
(procesamiento interno de la red)
Desarrollo
import tensorflow as tf
import tensorflow_datasets as tfds
import math
import numpy as np
import matplotlib.pyplot as plt
import logging
logger = tf.get_logger()
logger.setLevel(logging.ERROR)
class_names = [
'Cero', 'Uno', 'Dos', 'Tres', 'Cuatro', 'Cinco', 'Seis',
'Siete', 'Ocho', 'Nueve'
]
num_train_examples = metadata.splits['train'].num_examples
num_test_examples = metadata.splits['test'].num_examples
train_dataset = train_dataset.map(normalize)
test_dataset = test_dataset.map(normalize)
#Estructura de la red
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28,28,1)),
tf.keras.layers.Dense(64, activation=tf.nn.relu),
tf.keras.layers.Dense(64, activation=tf.nn.relu),
tf.keras.layers.Dense(10, activation=tf.nn.softmax) #para clasificacion
])
#Realizar el aprendizaje
model.fit(
train_dataset, epochs=5,
steps_per_epoch=math.ceil(num_train_examples/BATCHSIZE) #No sera
necesario pronto
)
plt.imshow(img[...,0], cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("Prediccion: {}".format(class_names[predicted_label]),
color=color)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
numrows=5
numcols=3
numimages = numrows*numcols
plt.figure(figsize=(2*2*numcols, 2*numrows))
for i in range(numimages):
plt.subplot(numrows, 2*numcols, 2*i+1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(numrows, 2*numcols, 2*i+2)
plot_value_array(i, predictions, test_labels)
plt.show()
Conclusión