Experimento 2
CERRANDO EL CÍRCULO...
... crear la red neuronal "a mano", entrenarlo con mis datos, poder exportar el modelo a un archivo/s independiente para luego usarlo en otro sitio
Reconocimiento de números escritos a mano utilizando Tensorflow.js
Aquí para el entrenamiento se usa base de datos MNIST y aplicando la técnica de "Aumento de datos" para ampliar la variabilidad de los simbolos
El modelo aquí es una red convolucional porque es para analizar imágenes: La primera capa de la red neuronal será de tipo convolucional, con 32 nucleos de 3x3 cada uno. La entrada de 28x28 px con 1 canal y la función activación RELU Se agrega capa de agrupación máxima de 2x2 (matriz de 2x2) Se agregan dos capas más: una de convolución con 64 filtros y otra agrupación máxima modelo = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)), tf.keras.layers.MaxPooling2D(2, 2), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), También se añade una capa de salida regular con activación SOFTMAX (es requerida para redes de clasificación) tf.keras.layers.Dropout(0.5), tf.keras.layers.Flatten(), tf.keras.layers.Dense(100, activation='relu'), tf.keras.layers.Dense(10, activation="softmax") Y se usa una técnica que se llama DROPOUT que sirve para apagar aleatoriamente algunas neuronas, dice que mejora la red evitando que haya conexiones muy fuertes y otras demasiado débiles. O algo así.