Introducción
Una de las ramas exitosas de la inteligencia artificial es la computer vision, que permite al equipo obtener información detallada de imágenes digitales o vídeo. Las redes neuronales se pueden usar correctamente para tareas de Computer Vision.
Imagine que está desarrollando un sistema para reconocer texto impreso. Ha usado algún enfoque algorítmico para alinear la página y cortar caracteres individuales en el texto, y ahora necesita reconocer letras individuales. Este problema se denomina clasificación de imágenes, porque es necesario separar las imágenes de entrada en clases diferentes. Otros ejemplos de este tipo de problema serían ordenar automáticamente las tarjetas posteriores según la imagen o determinar el tipo de producto en un sistema de entrega a partir de una fotografía.
En este módulo, aprenderemos a entrenar modelos de red neuronal de clasificación de imágenes mediante PyTorch, una de las bibliotecas de Python más populares para crear redes neuronales. Comenzaremos desde el modelo más sencillo, una red neuronal densa totalmente conectada, y desde un simple conjunto de datos de MNIST de dígitos manuscritos. A continuación, veremos las redes neuronales convolucionales, que están diseñadas para capturar patrones de imagen 2D y cambiar a un conjunto de datos más complejo, CIFAR-10. Por último, usaremos redes previamente entrenadas y aprendizaje por transferencia para que podamos entrenar modelos en conjuntos de datos relativamente pequeños.
Al final de este módulo, podrá entrenar modelos de clasificación de imágenes en fotografías del mundo real, como el conjunto de datos de gatos y perros, y desarrollar clasificadores de imágenes para sus propios escenarios.
Objetivos de aprendizaje
En este módulo, aprenderá a:
- Información sobre las tareas de Computer Vision que se resuelven más comúnmente con redes neuronales
- Comprensión del funcionamiento de las redes neuronales convolucionales (CNN)
- Entrenamiento de una red neuronal para reconocer dígitos manuscritos y clasificar gatos y perros
- Aprenda a usar transfer Learning para resolver problemas de clasificación del mundo real con PyTorch
Requisitos previos
- Conocimientos básicos de Python y Jupyter Notebook
- Familiarización con el marco de PyTorch, incluidos los tensores, los conceptos básicos de la propagación con carácter retroactivo y la creación de modelos
- Comprensión de los conceptos de aprendizaje automático, como la clasificación, el conjunto de datos de entrenamiento y prueba, la precisión, etc.