Me gustaría saber cuántos de ustedes consiguen completar este tutorial :D Dejad vuestros comentarios aquí abajo y un LIKE arriba si te gustan los IA.Notebooks!
La verdad es que no :/ En mi caso he ido aprendiendo en base a los tutoriales o proyectos que he ido haciendo.Es la forma con la que más aprendo: aprender haciendo. Pero si me entero de algún libro que te pueda servir te aviso! (Sé dónde encontrarte, en las poles de mis vídeos :D)
Muy buen trabajo!! He conocido recientemente el canal y estoy viendo los videos por fecha de publicación desde el principio. Pero observo que en el último tiempo no hay videos "IA NOTEBOOK". Espero que este tipo de contenido práctico continúe en tu canal por lo interesante y sobre todo lo bien explicado que lo haces. Dicho esto... me pongo con el siguiente!!! Mil gracias CSV
Muy bueno! Me vi el datacoffee y vine directamente a este después. Muy bien explicado, haces que parezca fácil. Un vídeo algo antiguo pero todavía con mucha validez. Muy buen contenido. Te sigo de hace poco y tus nuevos vídeos me motivaron para querer aprender más y más y verme los antiguos también. Una maravilla de canal para los que nos gusta la IA y la informática en general. Un saludo!
Excelente !!! Estoy viendo todos tus videos y mas allá que el tema me interesa, debo felicitarte porque ademas de ser muy didáctico y claro en tus explicaciones , has logrado el punto medio como para que cualquier persona lo entienda sin explicar en profundidad conceptos complejos. Lo bueno es que das la informacion suficiente como para que se entienda. Muy muy bueno, te sigo y te recomindo entre mis amigos nerds. Mi nombre es Ana María.
Lo logre!! costo pero lo logre. al tratar de que me mostrase la imagen después de identificarla como un limón, me mostraba solo ruido, comprendí que al procesarla se altera y era mejor hacer los dos posesos de forma independiente con una copia y no uno y luego el otro con la misma variable. excelente trabajo sigue así, eres un grande!
Me gusta mucho este canal desde que lo encontré hace unos meses ha hecho que me interese más y más por la inteligencia artificial y lo jodidamente increíble , prendiendo en mi las ganas de aprender sobre este campo por encima de todos . Pero alguien conoce más canales como esté donde poder ver más y más ?
En inglés dos muy recomendados son Two Minute Papers (últimas publicaciones sobre IA) y Siraj Raval (muchísimo contenido sobre Machine Learning). En español Oliver Nabani ha tratado temas de IA en sus vídeos también :)
Es cierto que este notebook ha sido más complejo, pero me ha encantado. He ido mirando documentación conforme avanzaba y genial. Súper útil para ir, además, mejorando en Python. Muchas gracias, Carlos. Un saludo.
¿53 minutos? :D Hasta me emocioné cuando abrí el vídeo. Gracias por lo que vas aportando, sin duda se te da el explicar cosas y con esto lo has reafirmado. Espero nunca pares de sorprendernos.
Si alguien lo esta siguiendo ahora, y le tiene un error de "tf.gradients not supported in eager execution" puede poner el siguiente codigo antes de crear la instancia del objecto IV3: from tensorflow.python.framework.ops import disable_eager_execution disable_eager_execution()
Mi meta va a ser ver todos tus videos del canal todos todos en una semana o menos jeje te aviso cuando termine todo haga un resumen y ejercicios posdata amo tu canal
Excelente vídeo, venia viendo los de la teoría de redes neuronales, pero solo hay dos vídeos organizados. Deberias de tener una lista de reproducción para que los que no saben programar o no tienen conceptos de IA. Puedan seguirla sin perderse.
6 років тому
Mis felicitaciones por el vídeo. Muy claro, tanto como el vídeo de la teoría. Me gustó el final donde comentas que ya que son modificaciones de alta frecuencia se pueda estropear con un simple filtrado JPG. Sin duda un vídeo muy didáctico tanto sobre DeepLearning como sobre Python. Saludos y sigue así.
Me gustó mucho y aunque soy bastante novato creo que he llegado a entender la idea en general. Logré terminar todo el código haciendo bastantes comentarios y después de un día, xD pero a pesar de ello, solo hay una línea de código que no termino de entender y es está: loss=out_layer[0, target_class] O sea, si entiendo la idea de para que lo usas pero no el como eso lo interpreta Python, si la variable fuese una de tipo lista, lo que iría en los corchetes sería un índice pero lo que pusiste, no es un índice, y es ahí dónde no entiendo. :'3 Por todo lo demás, creo que si entendí y muchas gracias por subir contenido así, seguiré con la serie!! :D
Genial el video. Quisiera compartir el siguiente código (funciona bien), en la que en vez de usar keras utilizo la api de tensorflow. El usar GradientTape es de mucha utilidad pues permite de forma sencilla realizar entrenamientos personalizados sobre topologías de redes diversas y complejas. La adaptación es la siguiente. Espero que os sea de interés: ###ataques adversarios ################################################### import tensorflow as tf print(tf.executing_eagerly()) #por defecto es True, procesamiento ansioso. Si no fuera así habilitarlo target_class=951 #queremos que sea 951 adv=x.copy() #adv.shape adv=tf.convert_to_tensor(adv,dtype=tf.float32) #no trabajamos con numpy, sino con tensores coste=0 iter=0 max_pert=x+0.01 min_pert=x-0.01 while(coste
Bravo Carlos!!!que buen tutorial, lo pude terminar luego de empezar con Jupyter y tener que pasarme a Colaboratory (por la GPU). Cómo has llegado a ese nivel y que recomendaciones nos puedes dar para seguir avanzando y tener esa habilidad para guiarte por la documentación. Te cuento que nisiquiera pude encontrar el listado de las clases de InceptionV3 para ver todas la categorías. Saludos
Hacked!!! Pero mi imagen original no era cuadrada y al redimensionarla para que fuera indistinguble al ojo humano cayó la probabilidad al 30%. Aún así confundió un galgo con un limón. Bravo por Dot.CSV!!! Muy recomendable.
Muy buen video. Muy interesante. Estaría bueno programar una pequeña red neuronal con tensorflow y entrenarla para que pueda reconocer imágenes de un par de categorías distintas. Sería genial. Seguí así! Saludos
Excelente aporte, después de muchas muertes de mi kernel (cuando ya pensaba en usar colab) empezó a funcionar muy bien, también tuve el problema .jpg, pause el vídeo y me puse a correr todas las celdas nuevamente una y otra vez intentando encontrar el error, hasta que probé el .png, luego continué el vídeo y entendí el porque jejejeje. Gracias por compartir este vídeo, saludos.
Enhorabuena por el canal. Me surge la curiosidad si han probado tecnicas de adicion de ruído en la entrada para vencer estos ataques. Podria ser interesante. :D
Fantástico, como todos tus vídeos. Tal vez la razón por la cual ocurre esto es porque de alguna forma se está metiendo un limón oculto a la vista en la foto (o la representación de un limón como la entiende la red neuronal)
Es increible este proyecto amigo, la verdad muchas gracias, esta increible aprender a hacer algo en un campo que tanto me apasiona, espero poder aprender lo suficiente para luego investigar por mi parte y crear un proyecto propio de IA (*w*) \(:v)/
Glorioso video, muy interesante, comprender como funcionan las redes neuronales para clasificar e identificar. Como acabo de ver este video en junio de 2020. Me gustaría saber si tienes enalgún sitio una recomendación de máquina o GPU se que hiciste un sorteo. Vamos, una indicación de que tipo de GPU y de maquina compatible con ella para poder hacer esto de una forma más rápida. Muchas gracias!
Hola buenas tardes, disculpa me podrias pasar la linea del codigo con la cual pusiste la imagen con eso del image.load_img(), es que no puedo hacerlo y no encuentro informacion. Te agradeceria mucho
Muy buenas! Estupendo el video!! Una duda que me surgió al principio del video. Una función de coste pensaba que tenía que ir reduciéndose para que la red neuronal vaya llegando a la solución. Sin embargo en este ejemplo la función de coste parece que busca lo contrario, un valor cada vez más cercano a 1 pues sería la probabilidad del 100% de que la imagen sea el "limón". Seguro que es una tontería pero, ¿por qué la función de optimizar gradiente aumenta el coste en lugar de reducirlo?
El porcentaje de precisión al detectar la imagen del gato ha sido de un 20% aprox. , pero la del ataque ha sido de un 99% porque así se ha querido. Supongo que si se revisase el porcentaje de seguridad de una imagen y se vea tan alto podría ser motivo de sospecha. Entonces mi pregunta es: si se reduce el porcentaje para que no sea tan dispar, ¿podría llegar a fallar el ataque?, o dicho de otra manera: ¿hay algún límite de porcentaje que haya que superar para que la red neuronal detecte lo que tú querías?? Muchas gracias y muy buen video, tengo los básicos conocimientos de programación y aún no he visto nada de redes neuronales, pero creo haber comprendido todo lo que iba sucediendo en el video.
Buenas a todos, si alguno se crea este notebook con Google Colab a fecha de hoy os saldrá el siguiente error: RuntimeError: tf.gradients is not supported when eager execution is enabled. Use tf.GradientTape instead. Ocurre al intentar ejecutar la línea ---> grad = K.gradients(loss, inp_layer)[0] Para subsanar este problema he instalado las versiones de Keras y Tensorflow que habían en el momento que Carlos subió este video: !pip install keras==2.1.3 %tensorflow_version 1.5.0
Hola, se que ha pasado mucho tiempo pero me gustaría aclarar unas dudas que me quedaron del vídeo. Tú usas un Clip para acotar la perturbación en cada iteración, sin embargo iteras hasta que la probabilidad de que el resultado que quiere sea de al menos 95%. Para mí tiene mucho sentido que la función necesite muchas más iteraciones para llegar a ese 95% que si no se hubiera aplicado el clip a la variable. La pregunta es: ¿ Cómo nos aseguramos que después de muchas iteraciones con perturbaciones muy bajas no terminemos con perturbaciones notorias para nosotros? O en su defecto Si por más veces que iteremos la perturbación es imperseptible para nosotros ¿Cómo sabemos que la función de perturbar la imagen no está acotada por algún valor menor al 95%?
disculpa, primero que nada me gustaría agradecerte todo lo que haces, espero algún día poder meterme a fondo en este mundo, bueno me quede en la generación de la imagen adversaria pero efectivamente va muy lento, por lo que me doy cuenta que no lo estoy generando con la GPU , pero aun no logro hacer que funcione con la GPU igual no se si la GPU que tengo sea suficientemente útil es una NVIDIA 1660ti con un Ryzen 3600X, me seria de gran ayuda si te puedes tomar el tiempo de como configuraste todo el ambiente de trabajo osea Python, Anaconda (la cual no me instala algunos paquetes) , tensorflow .. etc. Actualmente me dedico al desarrollo de software web por lo que programar no es algo que me aterre, me encantaría poder unirme a esta gran comunidad .
Gostei muito. Consegui reproduzir pelo colab porque não consegui usar o PIL. Usei também GPU para ser mais rápido. Obrigada pelas explicações. Pergunta: Ataques adversários só são aplicados no input? Existe uma maneira de se defender desses ataques?
Conclusión final: ¿la comprensión de imágenes puede neutralizar ataques adversarios de redes neuronales (al menos los rudimentarios)? También: ¿Qué habría que incluir en el ataque adversario para conseguir robustez? Se me ocurre, a cada vuelta del bucle, añadir ruido gaussiano al input para generar una librería de inputs modificados ligeramente. Luego escribir la función de conste como el sumatorio de los costes parciales para cada imagen de la librería (aunque el cálculo del gradiente se complica...). De esta forma te aseguras de que la NN prediga el resultado deseado y en su vecindad (quizás así sobreviva a la defensa de comprensión de imágen?). Gracias!
Carlos increíble video, muchas gracias, pero tengo una duda que seguramente es básica, pero no entiendo como si el proceso de optimización minimiza el Coste, porque en el loop este valor aumenta?
Pues por lo que tengo entendido es algo que todavía se sigue investigando. Muchas de las técnicas que se han presentado para solucionar estos ataques luego se han demostrado que también son susceptibles a ataques. La única manera es explícitamente enseñar al modelo imágenes adversarias y que aprenda que se tratan de ataques, pero aún así esto es bastante complicado porque el número de imágenes adversarias es masivo. Pero como digo, se sigue trabajando en este problema :)
Voy a repostear esto, porque a mi me sirvió: Eric Kw. hace 1 año Si alguien lo esta siguiendo ahora, y le tiene un error de "tf.gradients not supported in eager execution" puede poner el siguiente codigo antes de crear la instancia del objecto IV3: from tensorflow.python.framework.ops import disable_eager_execution disable_eager_execution()
Duda repasando el video seria posible crear un falso adversario para la red de youtube que no detectara el copyright, habría muchos youtubers que pagarían por ello últimamente.
Me ha pasado que han actualizado keras y tensorflow, y la versión actual no admitía el modo de ejecución "eager" (eager execution) . Además recomienda utilizar keras desde tensorflow.Lo he solucionado con el siguiente encabezado:from tensorflow.keras.applications.inception_v3 import InceptionV3,decode_predictions from tensorflow.keras import backend as K from tensorflow.keras.preprocessing import imagefrom tensorflow.python.framework.ops import disable_eager_execution disable_eager_execution()
Al hacer el rango de valores que puede manipular, no hay ningún cambio por ahora, el código está igual, ¿alguna solución? gr, cost = optimize_gradient([adv, 0]) adv += gr adv = np.clip(adv, min_pert, max_pert) adv = np.clip(adv, -1, 1) print("Loss cost: ", cost)
inceptionV3 es un modelo pre-entrenado para reconocer muchas categorías pero que tal si yo quisiera entrenarlo para reconocer digamos plantas de brócoli dentro de un cultivo con otros tipos de plantas, en ese caso sería viable entrenar inceptionV3 para esa tarea especifica o sería mas conveniente entrenar algún otro modelo pre-existente que sea más simple o en ultimas sería mejor crear y entrenar mi propia red?
He implementado el ataque adversario con el MNIST como dataset, y he visto que tarda muchísimo más tiempo en generar el ataque que con el que usas en el video. La conclusión a la que llego es que las imágenes son más dificiles de atacar cuanto menos canales de color tengan, puede ser?
Una pregunta: Si utilizo estas librerías en una aplicación tengo que pagar algo para comercializarlas? pd: soy nuevo en el mundo del Desarrollo pero me vinieron buenas ideas con este video, muchas gracias por compartir conocimiento :3
Buenísimo el video! Realmente gracias a tu video me eh decido a que estudiar en la universidad, muchísimas gracias por ayudarme a encontrar mi futuro ❤️❤️❤️, una consulta, que lenguaje vendría siendo este ?
Hola Dot CSV, excelentes vídeos! logré completar el tutorial, pero tengo una pregunta, en el target_class, como sabes que es ese número el del limón? y si no sabría que número es específicamente, como lo puedo saber? gracias!!
Excelente video!!!, pero tengo una pregunta, donde puedo encontrar más información sobre los diferentes metodos de keras.application.inceptio_3, así como el .summary, ya que busco en las paginas oficiales y no encuentro información de los metodos, gracias!
Entonces una manera de poder combatir el ataque adversario en el caso que está "camuflado" ¿no podría ser reduciendo ligeramente la calidad de la imagen antes de procesarla?
Dot CSV buenos dias, te felicito pelos videos, son buenos y muy didácticos, ero voy hacerte un comentario.. en el minuto 22 mencionas que la variable predictiva tiene 1000 clases y no justificas bien porque y voy aclarar : 1- en la pagina keras.rstudio.com/reference/application_inception_v3.html el modelo application_inception_v3 que fue utilzado para el exemplo, tiene una topologia de rede cuya salida esta programada para 1000 clases significa que tu varible predictiva tiene que ser tamaño 1000. los parametros son estes application_inception_v3(include_top = TRUE, weights = "imagenet", input_tensor = NULL, input_shape = NULL, pooling = NULL, classes = 1000) como o parametro include_top por defecto es True lel tamaño de la imagen de entrada es (299,299,3) 2- en Y las salidas no correponden a probabilidades, cuando tu muestras los valores estan fuera del rango [0, 1] que es el rango de un valor de probabilidad... muhcas gracias...
desculpas vi que los números estan en notación cientifica entonces si esta correcto la ralación salida probabilidad de ser una clase a una determinada entrada.
📸 Sígueme en Instagram para más contenido tras las cámaras : instagram.com/dotcsv/
💸 ...y apoya el canal en Patreon!!! : www.patreon.com/dotcsv
A trick: watch series at Flixzone. Been using it for watching a lot of movies lately.
@Seth Boden definitely, have been watching on Flixzone for years myself :D
Me gustaría saber cuántos de ustedes consiguen completar este tutorial :D Dejad vuestros comentarios aquí abajo y un LIKE arriba si te gustan los IA.Notebooks!
Una dudilla, para aprender programación (sin recurrir a universidad o cursos, por desgracía) qué recomendarías?
Sabes de algún libro sobre Python?
La verdad es que no :/ En mi caso he ido aprendiendo en base a los tutoriales o proyectos que he ido haciendo.Es la forma con la que más aprendo: aprender haciendo. Pero si me entero de algún libro que te pueda servir te aviso! (Sé dónde encontrarte, en las poles de mis vídeos :D)
Dot CSV Jajajaja gracias majo
yo lo logre con total éxito y me ha servido muchísimo
Te recomiendo este de Jesús Conde: ua-cam.com/play/PLEtcGQaT56cj70Vl_C1qfUinyMELunL-N.html
Solo te pido una cosa: MAS MAS Y MAS IA NOTEBOOKS! Gracias por compartir conocimiento!
Nunca dejes de subir los IA NOTEBOOKS!!!!!!!
llegue un poco tarde ... pero desde ahora este es mi canal favorito de youtube !!!!!!!!!!!!!!!!
Muy buen trabajo!!
He conocido recientemente el canal y estoy viendo los videos por fecha de publicación desde el principio. Pero observo que en el último tiempo no hay videos "IA NOTEBOOK".
Espero que este tipo de contenido práctico continúe en tu canal por lo interesante y sobre todo lo bien explicado que lo haces.
Dicho esto... me pongo con el siguiente!!!
Mil gracias CSV
Muy bueno! Me vi el datacoffee y vine directamente a este después. Muy bien explicado, haces que parezca fácil.
Un vídeo algo antiguo pero todavía con mucha validez. Muy buen contenido.
Te sigo de hace poco y tus nuevos vídeos me motivaron para querer aprender más y más y verme los antiguos también. Una maravilla de canal para los que nos gusta la IA y la informática en general. Un saludo!
excelente canal es increible que aprenda de manera mas comoda con este canal que en la universidad
Excelente !!! Estoy viendo todos tus videos y mas allá que el tema me interesa, debo felicitarte porque ademas de ser muy didáctico y claro en tus explicaciones , has logrado el punto medio como para que cualquier persona lo entienda sin explicar en profundidad conceptos complejos. Lo bueno es que das la informacion suficiente como para que se entienda. Muy muy bueno, te sigo y te recomindo entre mis amigos nerds. Mi nombre es Ana María.
Acabo de encontrar esta joya de canal, muchas gracias a todos por compartir el conocimiento!!!!!!
Wow! funciona! La RN confunde un lamborghini con una aspiradora xD
Un poco complejo pero me motiva para seguir estudiando y practicando :)
Viejo, estos videos me vienen super bien! Por lejos es el mejor canal de IA
Impresionante el trabajo de la red y que fácil se puede manipular, osea que resulta poco robusta la red. Muchas gracias.
Lo logre!! costo pero lo logre. al tratar de que me mostrase la imagen después de identificarla como un limón, me mostraba solo ruido, comprendí que al procesarla se altera y era mejor hacer los dos posesos de forma independiente con una copia y no uno y luego el otro con la misma variable.
excelente trabajo sigue así, eres un grande!
Muy buen video. No puedo explicar la emoción que sentí cuando el código se estaba ejecutando correctamente. Muchas gracias
Gracias !! Me senté tomando notas y he aprendido mucho. Voy por el 3!
Me gusta mucho este canal desde que lo encontré hace unos meses ha hecho que me interese más y más por la inteligencia artificial y lo jodidamente increíble , prendiendo en mi las ganas de aprender sobre este campo por encima de todos . Pero alguien conoce más canales como esté donde poder ver más y más ?
En inglés dos muy recomendados son Two Minute Papers (últimas publicaciones sobre IA) y Siraj Raval (muchísimo contenido sobre Machine Learning). En español Oliver Nabani ha tratado temas de IA en sus vídeos también :)
Dot CSV muchas gracias les echaré un ojo :)
Gracias ya me he suscrito a ellos
Es cierto que este notebook ha sido más complejo, pero me ha encantado. He ido mirando documentación conforme avanzaba y genial. Súper útil para ir, además, mejorando en Python.
Muchas gracias, Carlos.
Un saludo.
¿53 minutos? :D Hasta me emocioné cuando abrí el vídeo.
Gracias por lo que vas aportando, sin duda se te da el explicar cosas y con esto lo has reafirmado.
Espero nunca pares de sorprendernos.
Impresionante sigue así, generando contenido de altisima calidad en castellano y poco a poco más complejo
Si alguien lo esta siguiendo ahora, y le tiene un error de "tf.gradients not supported in eager execution" puede poner el siguiente codigo antes de crear la instancia del objecto IV3:
from tensorflow.python.framework.ops import disable_eager_execution
disable_eager_execution()
Muchas gracias Eric, muy amable.
El mejor comentario/ayuda! No sé qué desabilitamos, pero ahora funciona!
Totalmente necesitado c:
Mil gracias.
Gracias!!!! Así si me funciona
Espectacular el video!!
Es muy bueno te felicito quedé con ganas de aprender más, explicas muy bien
No suelo comentar, pero este vídeo lo merece. Magnífico tutorial!!
Mi meta va a ser ver todos tus videos del canal todos todos en una semana o menos jeje te aviso cuando termine todo haga un resumen y ejercicios posdata amo tu canal
uufff ese lente video me encanto la forma en la que explicas y como corriges los errores gracias por el video
Excelente vídeo, venia viendo los de la teoría de redes neuronales, pero solo hay dos vídeos organizados. Deberias de tener una lista de reproducción para que los que no saben programar o no tienen conceptos de IA. Puedan seguirla sin perderse.
Mis felicitaciones por el vídeo. Muy claro, tanto como el vídeo de la teoría. Me gustó el final donde comentas que ya que son modificaciones de alta frecuencia se pueda estropear con un simple filtrado JPG. Sin duda un vídeo muy didáctico tanto sobre DeepLearning como sobre Python. Saludos y sigue así.
Me gustó mucho y aunque soy bastante novato creo que he llegado a entender la idea en general.
Logré terminar todo el código haciendo bastantes comentarios y después de un día, xD pero a pesar de ello, solo hay una línea de código que no termino de entender y es está:
loss=out_layer[0, target_class]
O sea, si entiendo la idea de para que lo usas pero no el como eso lo interpreta Python, si la variable fuese una de tipo lista, lo que iría en los corchetes sería un índice pero lo que pusiste, no es un índice, y es ahí dónde no entiendo. :'3
Por todo lo demás, creo que si entendí y muchas gracias por subir contenido así, seguiré con la serie!! :D
Tremendo video! gracias genio por compartir esto..
fiel seguidor reportándose, estaba esperando el vídeo mi querido amigo saludos :D
me ha flipado este vídeo.. eres un crack!!!
Hermosa intro, me da ganas de ver el video
Genial el video.
Quisiera compartir el siguiente código (funciona bien), en la que en vez de usar keras utilizo la api de tensorflow.
El usar GradientTape es de mucha utilidad pues permite de forma sencilla realizar entrenamientos personalizados sobre topologías de redes diversas y complejas.
La adaptación es la siguiente. Espero que os sea de interés:
###ataques adversarios
###################################################
import tensorflow as tf
print(tf.executing_eagerly())
#por defecto es True, procesamiento ansioso. Si no fuera así habilitarlo
target_class=951 #queremos que sea 951
adv=x.copy()
#adv.shape
adv=tf.convert_to_tensor(adv,dtype=tf.float32) #no trabajamos con numpy, sino con tensores
coste=0
iter=0
max_pert=x+0.01
min_pert=x-0.01
while(coste
Esto es un super like 👍👍👍. Que buen video
Bravo Carlos!!!que buen tutorial, lo pude terminar luego de empezar con Jupyter y tener que pasarme a Colaboratory (por la GPU). Cómo has llegado a ese nivel y que recomendaciones nos puedes dar para seguir avanzando y tener esa habilidad para guiarte por la documentación. Te cuento que nisiquiera pude encontrar el listado de las clases de InceptionV3 para ver todas la categorías. Saludos
Un tutorial de cómo ¿instalar tensorflow con gpu? y cómo utilizarla? graciasss
Hacked!!! Pero mi imagen original no era cuadrada y al redimensionarla para que fuera indistinguble al ojo humano cayó la probabilidad al 30%. Aún así confundió un galgo con un limón. Bravo por Dot.CSV!!! Muy recomendable.
Muy buen video. Muy interesante. Estaría bueno programar una pequeña red neuronal con tensorflow y entrenarla para que pueda reconocer imágenes de un par de categorías distintas. Sería genial. Seguí así! Saludos
53 minutazos?? Te lo has currado mucho
Guau, me encantó el vídeo, es genial este tipo de vídeos, gracias.
muy bien saludos desde el norte de mexico
Excelente, muy buen trabajo.
Excelente aporte, después de muchas muertes de mi kernel (cuando ya pensaba en usar colab) empezó a funcionar muy bien, también tuve el problema .jpg, pause el vídeo y me puse a correr todas las celdas nuevamente una y otra vez intentando encontrar el error, hasta que probé el .png, luego continué el vídeo y entendí el porque jejejeje.
Gracias por compartir este vídeo, saludos.
X2 jajajajaja
Enhorabuena por el canal. Me surge la curiosidad si han probado tecnicas de adicion de ruído en la entrada para vencer estos ataques. Podria ser interesante. :D
Eres un crack! Me ha gustado mucho
Sencillamente GENIAL
wow impresionante :O
Muy interesante este ia notebook!
Fantástico, como todos tus vídeos.
Tal vez la razón por la cual ocurre esto es porque de alguna forma se está metiendo un limón oculto a la vista en la foto (o la representación de un limón como la entiende la red neuronal)
Es increible este proyecto amigo, la verdad muchas gracias, esta increible aprender a hacer algo en un campo que tanto me apasiona, espero poder aprender lo suficiente para luego investigar por mi parte y crear un proyecto propio de IA (*w*) \(:v)/
Esto es igual como cuando logre prender mi primer led, es tan excitante y emocionante. No cualquier mortal logra sentir esta sensación
Muy buen video, muy didáctico! Una pregunta, como se sabe que el limón es la clase referenciada 951?
Glorioso video, muy interesante, comprender como funcionan las redes neuronales para clasificar e identificar.
Como acabo de ver este video en junio de 2020. Me gustaría saber si tienes enalgún sitio una recomendación de máquina o GPU se que hiciste un sorteo.
Vamos, una indicación de que tipo de GPU y de maquina compatible con ella para poder hacer esto de una forma más rápida.
Muchas gracias!
Buenisimo, lo estoy haciendo ahora todo yo para aprenderlo mejor.. Habrán más videos como estos?
Recomiendo hacerlo con Google Colab. Me sirvió, gracias.
Hola buenas tardes, disculpa me podrias pasar la linea del codigo con la cual pusiste la imagen con eso del image.load_img(), es que no puedo hacerlo y no encuentro informacion. Te agradeceria mucho
Muy buenas! Estupendo el video!! Una duda que me surgió al principio del video. Una función de coste pensaba que tenía que ir reduciéndose para que la red neuronal vaya llegando a la solución. Sin embargo en este ejemplo la función de coste parece que busca lo contrario, un valor cada vez más cercano a 1 pues sería la probabilidad del 100% de que la imagen sea el "limón". Seguro que es una tontería pero, ¿por qué la función de optimizar gradiente aumenta el coste en lugar de reducirlo?
El porcentaje de precisión al detectar la imagen del gato ha sido de un 20% aprox. , pero la del ataque ha sido de un 99% porque así se ha querido. Supongo que si se revisase el porcentaje de seguridad de una imagen y se vea tan alto podría ser motivo de sospecha. Entonces mi pregunta es: si se reduce el porcentaje para que no sea tan dispar, ¿podría llegar a fallar el ataque?, o dicho de otra manera: ¿hay algún límite de porcentaje que haya que superar para que la red neuronal detecte lo que tú querías??
Muchas gracias y muy buen video, tengo los básicos conocimientos de programación y aún no he visto nada de redes neuronales, pero creo haber comprendido todo lo que iba sucediendo en el video.
Que buen video, gracias, me voy a patreon
Super interesante tu apunte respecto a almacenarlas en .png :)
Buenas a todos, si alguno se crea este notebook con Google Colab a fecha de hoy os saldrá el siguiente error:
RuntimeError: tf.gradients is not supported when eager execution is enabled. Use tf.GradientTape instead.
Ocurre al intentar ejecutar la línea ---> grad = K.gradients(loss, inp_layer)[0]
Para subsanar este problema he instalado las versiones de Keras y Tensorflow que habían en el momento que Carlos subió este video:
!pip install keras==2.1.3
%tensorflow_version 1.5.0
Yo he utilizado la sentencia
tf.compat.v1.disable_eager_execution()
justo antes de
grad = K.gradients(loss, inp_layer)[0]
Hola, se que ha pasado mucho tiempo pero me gustaría aclarar unas dudas que me quedaron del vídeo. Tú usas un Clip para acotar la perturbación en cada iteración, sin embargo iteras hasta que la probabilidad de que el resultado que quiere sea de al menos 95%. Para mí tiene mucho sentido que la función necesite muchas más iteraciones para llegar a ese 95% que si no se hubiera aplicado el clip a la variable. La pregunta es: ¿ Cómo nos aseguramos que después de muchas iteraciones con perturbaciones muy bajas no terminemos con perturbaciones notorias para nosotros? O en su defecto Si por más veces que iteremos la perturbación es imperseptible para nosotros ¿Cómo sabemos que la función de perturbar la imagen no está acotada por algún valor menor al 95%?
disculpa, primero que nada me gustaría agradecerte todo lo que haces, espero algún día poder meterme a fondo en este mundo, bueno me quede en la generación de la imagen adversaria pero efectivamente va muy lento, por lo que me doy cuenta que no lo estoy generando con la GPU , pero aun no logro hacer que funcione con la GPU igual no se si la GPU que tengo sea suficientemente útil es una NVIDIA 1660ti con un Ryzen 3600X, me seria de gran ayuda si te puedes tomar el tiempo de como configuraste todo el ambiente de trabajo osea Python, Anaconda (la cual no me instala algunos paquetes) , tensorflow .. etc.
Actualmente me dedico al desarrollo de software web por lo que programar no es algo que me aterre, me encantaría poder unirme a esta gran comunidad .
pude resolver los problemas que tenia abriendo "Anaconda Prompt"
y ejecutando los siguientes comandos :
conda isntall tensorflow
conda isntall tensorflow-gpu
pip install keras-gpu
pip install keras-gpu
Gostei muito. Consegui reproduzir pelo colab porque não consegui usar o PIL. Usei também GPU para ser mais rápido.
Obrigada pelas explicações.
Pergunta: Ataques adversários só são aplicados no input?
Existe uma maneira de se defender desses ataques?
Conclusión final: ¿la comprensión de imágenes puede neutralizar ataques adversarios de redes neuronales (al menos los rudimentarios)? También: ¿Qué habría que incluir en el ataque adversario para conseguir robustez? Se me ocurre, a cada vuelta del bucle, añadir ruido gaussiano al input para generar una librería de inputs modificados ligeramente. Luego escribir la función de conste como el sumatorio de los costes parciales para cada imagen de la librería (aunque el cálculo del gradiente se complica...). De esta forma te aseguras de que la NN prediga el resultado deseado y en su vecindad (quizás así sobreviva a la defensa de comprensión de imágen?).
Gracias!
Carlos increíble video, muchas gracias, pero tengo una duda que seguramente es básica, pero no entiendo como si el proceso de optimización minimiza el Coste, porque en el loop este valor aumenta?
Muy bueno.
Felicidades, excelente!
Excelente 😁, hay alguna manera de evitar este tipo de ataques ?
Pues por lo que tengo entendido es algo que todavía se sigue investigando. Muchas de las técnicas que se han presentado para solucionar estos ataques luego se han demostrado que también son susceptibles a ataques. La única manera es explícitamente enseñar al modelo imágenes adversarias y que aprenda que se tratan de ataques, pero aún así esto es bastante complicado porque el número de imágenes adversarias es masivo. Pero como digo, se sigue trabajando en este problema :)
tratando la imagen (cambiándola de tamaño, comprimirla) me imagino que podrías inhabilitar ese tipo de ataques
Brutal!!! Yo usé la herramienta de Google: colab.research.google.com para no tirar de mi ordenador (que es muy caca) y me funcionó perfecto.
Ufff Excelente video!
Voy a repostear esto, porque a mi me sirvió:
Eric Kw.
hace 1 año
Si alguien lo esta siguiendo ahora, y le tiene un error de "tf.gradients not supported in eager execution" puede poner el siguiente codigo antes de crear la instancia del objecto IV3:
from tensorflow.python.framework.ops import disable_eager_execution
disable_eager_execution()
👏👏👏 excelente!
Muy bueno, ahora las fotos de mis michis pueden estar seguras de las IAs chismosas.
Me encanta el canal
gracias eres la unica red neuronal que he podido desarrollar en anaconda spyder 3 .... a los demas no los entiendo
Duda repasando el video seria posible crear un falso adversario para la red de youtube que no detectara el copyright, habría muchos youtubers que pagarían por ello últimamente.
Genial!
Me ha pasado que han actualizado keras y tensorflow, y la versión actual no admitía el modo de ejecución "eager" (eager execution) . Además recomienda utilizar keras desde tensorflow.Lo he solucionado con el siguiente encabezado:from tensorflow.keras.applications.inception_v3 import InceptionV3,decode_predictions
from tensorflow.keras import backend as K
from tensorflow.keras.preprocessing import imagefrom tensorflow.python.framework.ops import disable_eager_execution
disable_eager_execution()
Al hacer el rango de valores que puede manipular, no hay ningún cambio por ahora, el código está igual, ¿alguna solución?
gr, cost = optimize_gradient([adv, 0])
adv += gr
adv = np.clip(adv, min_pert, max_pert)
adv = np.clip(adv, -1, 1)
print("Loss cost: ", cost)
GENIAL!
Más!!!!!!!!!
inceptionV3 es un modelo pre-entrenado para reconocer muchas categorías pero que tal si yo quisiera entrenarlo para reconocer digamos plantas de brócoli dentro de un cultivo con otros tipos de plantas, en ese caso sería viable entrenar inceptionV3 para esa tarea especifica o sería mas conveniente entrenar algún otro modelo pre-existente que sea más simple o en ultimas sería mejor crear y entrenar mi propia red?
muchas gracias
Volviendo a ver todos los IA notebook dos años despues de conseguir mas conocimiento.
He implementado el ataque adversario con el MNIST como dataset, y he visto que tarda muchísimo más tiempo en generar el ataque que con el que usas en el video. La conclusión a la que llego es que las imágenes son más dificiles de atacar cuanto menos canales de color tengan, puede ser?
Una pregunta: Si utilizo estas librerías en una aplicación tengo que pagar algo para comercializarlas?
pd: soy nuevo en el mundo del Desarrollo pero me vinieron buenas ideas con este video, muchas gracias por compartir conocimiento :3
exelente muy buen video
Buenísimo el video! Realmente gracias a tu video me eh decido a que estudiar en la universidad, muchísimas gracias por ayudarme a encontrar mi futuro ❤️❤️❤️, una consulta, que lenguaje vendría siendo este ?
El lenguaje es Python. El programa que se utiliza para escibir es Anaconda
"Gatitos y Cerveza lo que la mentalidad humanidad a desarrollado durante todos estos años" Jajajaja
Hola Dot CSV, excelentes vídeos! logré completar el tutorial, pero tengo una pregunta, en el target_class, como sabes que es ese número el del limón? y si no sabría que número es específicamente, como lo puedo saber? gracias!!
Que grande! Sigue así
Exelente
Buenisimo el tutorial, una duda dónde almacena iv3 = InceptionV3()?
Una pregunta quisiera saber si este paso lo esta haciendo con jupyter de anaconda o con jupiter de tensorflow
Excelente video!!!, pero tengo una pregunta, donde puedo encontrar más información sobre los diferentes metodos de keras.application.inceptio_3, así como el .summary, ya que busco en las paginas oficiales y no encuentro información de los metodos, gracias!
espectacular pense fuese mas dificil hacerlo...
Hola muy buenos tus videos, para el código de este video hay que hacer unas adecuaciones para TF2.0.
Entonces una manera de poder combatir el ataque adversario en el caso que está "camuflado" ¿no podría ser reduciendo ligeramente la calidad de la imagen antes de procesarla?
men me podrias decir con que programa lo estas haciendo .... ????
Dot CSV buenos dias, te felicito pelos videos, son buenos y muy didácticos, ero voy hacerte un comentario.. en el minuto 22 mencionas que la variable predictiva tiene 1000 clases y no justificas bien porque y voy aclarar :
1- en la pagina keras.rstudio.com/reference/application_inception_v3.html el modelo application_inception_v3 que fue utilzado para el exemplo, tiene una topologia de rede cuya salida esta programada para 1000 clases significa que tu varible predictiva tiene que ser tamaño 1000. los parametros son estes
application_inception_v3(include_top = TRUE, weights = "imagenet", input_tensor = NULL, input_shape = NULL, pooling = NULL, classes = 1000)
como o parametro include_top por defecto es True lel tamaño de la imagen de entrada es (299,299,3)
2- en Y las salidas no correponden a probabilidades, cuando tu muestras los valores estan fuera del rango [0, 1] que es el rango de un valor de probabilidad...
muhcas gracias...
desculpas vi que los números estan en notación cientifica entonces si esta correcto la ralación salida probabilidad de ser una clase a una determinada entrada.