Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Informe CNN Zabdiel David Vision Artificial
Informe CNN Zabdiel David Vision Artificial
Introducción
El conjunto de datos MNIST es un conjunto de imágenes de dígitos escritos a mano
ampliamente utilizado en la comunidad de aprendizaje automático. Este informe detalla la
implementación de un código en Python utilizando Keras para visualizar imágenes del
conjunto de datos MNIST y comprender mejor su estructura y contenido.
El código proporcionado implementa una función llamada show_images que se utiliza para
visualizar una parte del conjunto de datos MNIST.
Se define una función llamada show_images que recibe como argumentos las imágenes del
conjunto de datos de entrenamiento (train_images), los nombres de las clases
(class_names) y las etiquetas de las imágenes de entrenamiento (y_train). Esta función
también toma dos parámetros opcionales: nb_samples, que especifica el número de
imágenes a mostrar, y nb_row, que especifica el número de filas en las que se mostrarán las
imágenes en la visualización.
Para la visualización de las imágenes, dentro de la función show_images, se crea una figura
de Matplotlib con un tamaño específico. Luego, se recorre un bucle que itera sobre el
número de muestras especificado (nb_samples). En cada iteración del bucle, se muestra una
imagen del conjunto de datos utilizando la función imshow de Matplotlib. Se establecen
diversas configuraciones para la visualización, como la eliminación de ejes, la asignación de
colores, la etiqueta del eje x con el nombre de la clase correspondiente y la muestra de la
imagen en escala de grises.
Luego se definen los nombres de las clases, que corresponden a los dígitos del 0 al 9.
Finalmente, se llama a la función show_images pasando como argumentos las imágenes de
entrenamiento, los nombres de las clases y las etiquetas de las imágenes de entrenamiento.
El código implementado permite visualizar una parte del conjunto de datos MNIST, lo que
proporciona una comprensión visual de las imágenes y las etiquetas asociadas. Esta
visualización es útil para inspeccionar la calidad de los datos, comprender la distribución de
las clases y validar el preprocesamiento de las imágenes antes de utilizarlas en modelos de
aprendizaje automático.