Це відео не доступне.
Перепрошуємо.
Redes Neuronales Convolucionales / Convolutional Neural Networks (CNN) - Parte 1
Вставка
- Опубліковано 10 гру 2021
- Finalmente llegamos a uno de los temas que más tenía ganas de llegar, Redes Neuronales Convolucionales / Convolutional Neural Networks (CNN). Las cuales son uno de los modelos de redes neuronale que más éxito han tenido debido a su sobresaliente desempeño en aplicaciones relacionadas con imágenes. Y a pesar de que no son un concepto nuevo, desde el 2012 han tenido gran impacto en diversas aplicaciones. En este video inicio explicando el concepto de convolución, para después usar este concepto y explicar cómo se integra una capa convolucional en una CNN, eso lo explicaré en el siguiente video.
Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch:
En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs).
About the video series:
In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.
Momentum vs RMSprop vs ADAM ¿Cuál es mejor?
Referencias
O. Russakovsky et al., “ImageNet Large Scale Visual Recognition Challenge,” arXiv:1409.0575 [cs], Jan. 2015, Accessed: Jan. 07, 2021. [Online]. Available: arxiv.org/abs/1...
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” in Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1, USA, 2012, pp. 1097-1105. Accessed: Jul. 23, 2018. [Online]. Available: dl.acm.org/cita...
Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998, doi: 10.1109/5.726791.
M. D. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks,” arXiv:1311.2901 [cs], Nov. 2013, Accessed: Jan. 29, 2021. [Online]. Available: arxiv.org/abs/1....
K. Simonyan, A. Vedaldi, and A. Zisserman, “Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps,” arXiv:1312.6034 [cs], Apr. 2014, Accessed: Jan. 07, 2021. [Online]. Available: arxiv.org/abs/1....
Imágenes Convoluciones
'Vincent Dumoulin, Francesco Visin, MIT opensource.org/..., via Wikimedia Commons
Vincent Dumoulin, Francesco Visin, MIT opensource.org/..., via Wikimedia Commons
Vincent Dumoulin, Francesco Visin, MIT opensource.org/..., via Wikimedia Commons
Imagen Luna
Luc Viatour, CC BY-SA 3.0 creativecommons..., via Wikimedia Commons
Imagen Albert Einstein
Photograph by Orren Jack Turner, Princeton, N.J. Modified with Photoshop by PM_Poon and later by Dantadd., Public domain, via Wikimedia Commons
Muchas gracias por tu explicación, de verdad fue muy clara, estoy partiendo en esto y me sirvió mucho👏
Muchas gracias por tu comentario! Muchos saludos!
Uff , menudo aporte. Tus videos tienen un nivel de profundidad y claridad que no es común ver n UA-cam en este tema. Muchos canales se enfocan en enseñarte a usar las librerías de python y solo dan pinceladas de los conceptos matemáticos. Tus videos son geniales. Espero que este canal progrese.
Ernesto, muchas gracias por tu comentario y apoyo al canal. Me llena de motivación para continuar publicando. Muchos saludos y hasta pronto!!!
Muy bueno Pepe!muchas gracias
Muchas gracias por todo el apoyo! Muchos saludos!
Muy bueno tu vídeo, gracias.
Te agradezco muchísimo tus comentarios y apoyo al canal! Saludos!
Gracias, todo super
Muchas gracias!
¡Que bárbaro!, espectacular contenido, voy en maratón de 31 videos sin parar. Sabía ciertas cosas, otras las reforcé a nivel de implementación en programación. Un contenido muy bien explicado.
Muchísimas gracias por tu tiempo para ver el contenido y para dejar el comentario, los aprecio muchísimo! Muchos saludos y hasta pronto!
Excelente explicación pepe !! me resulto muy fácil entender los conceptos. Saludos desde Argentina y estaré atento a mas videos de tu canal.
Muchas gracias Guillermo! Tu comentario realmente me motiva muchísimo. Muchos saludos y hasta pronto!!!
Excelente vídeo 😎👍
Muchas gracias por tu comentario! Muchos saludos!!
Me encanta tus videos , creo que el valor del entendimiento matemático es invaluable!!! Deseo que subas más videos más seguido .un abrazo
Te agradezco enormemente el apoyo al canal. Estoy tratando de subir videos más seguido, por lo pronto los de redes neuronales convolucionales espero poder publicarlos con menor tiempo entre partes. Muchas gracias y te mando muchos saludos!!
Genial
Muchas gracias por tu apoyo al canal!! Saludos
Gracias por el video!! 🙌
Podrias hacer un video de ressnet en pytorch, con data aleatoria
Excelente video !!! , Muy buen aporte
Muchas gracias por tu comentario y el apoyo!!! Hasta pronto!!!
Estimado, una consulta puedo aplicar redes convolucionales para predecir el rendimiento académico??
Pepe, muchas gracias por el vídeo.
Gracias a tí Jorge por el apoyo al canal!!! Muchos saludos!
Gracias excelente explicación, tal vez tienes algún documento donde se explique el uso de CNN en series de tiempo, entiendo que en una imagen busca características (verticales, horizontales, etc), pero en una serie de tiempo que busca?
Hola Felipe!! Muchas gracias por tu comentario, no tengo un documento en este sentido, pero en series de tiempo las CNN pueden encontrar patrones temporales, usualmente con CNNs de una dimensión en vez de 2D (cómo en imágenes). Estos patrones no son tan definidos como líneas y formas geométricas como en una imagen, en este caso dependen de la información en la serie de tiempo.
Muchos saludos y mucho éxito. Hasta pronto!
Muchas gracias Pepe, es un gran video.
No sabía que el stride podía ser distinto a uno.
Consulta, por que los kernel utilizan tamaños chiquitos por ejemplo 3*3 o 5*5?
Como siempre, muchísimas gracias por el apoyo Leonardo!! Excelente pregunta.
La aplicación de filtros en procesamiento digital de señales y en este caso procesamiento digital de imágenes, así como varios algoritmos en visión computacionales trabajan asumiendo que en una imagen, un pixel determinado en expectativa es más parecido a sus vecinos (otros pixeles) más próximos que a los más lejanos. Por esto, si tomamos un ejemplo en particular de un filtro para suavisar una imagen, que reemplace el valor de un pixel por el promedio de 9 pixeles (con un kernel de 3x3), estos 9 pixeles (8 en realidad ya que el del centro es el mismo pixel) son en expectativa más parecidos al pixel que van a reemplazar, que si tomaramos un filtro de 11x11 o 15x15, etc. En este sentido, las CNNs siguen una lógica similar, un filtro relativamente pequeño ayuda a conservar esta relación espacial que se espera exista entre pixeles cercanos. Filtros más grandes podrían alterar los resultados de los filtros, ya que tal vez estarían considerando pixeles con características diferentes. Espero esto aclare un poco tu pregunta. De nuevo muchas gracias por tu comentario y muchos saludos!!!!
@@PepeCantoralPhD Muchisimas gracias.
Me podrías decir como se llama el programa donde tomas apuntes xd
Muchas gracias Kevin y una disculpa por la demora en responder, se llama Xournal++, es open source y funciona en distintos sistemas operativos, incluyendo distros de Linux. Lo recomiendo mucho. Saludos y hasta pronto!