En esta presentación, exploraremos cómo usar redes neuronales profundas para reconocer dígitos escritos a mano utilizando el dataset MNIST.
¿Qué es el MNIST?
El MNIST (Modified National Institute of Standards and Technology) es un conjunto de datos de imágenes de dígitos escritos a mano, ampliamente utilizado en el aprendizaje automático y la visión por computadora.
Estructura del Dataset
70,000 imágenes de dígitos escritos a mano.
60,000 imágenes para entrenamiento y 10,000 para prueba.
Cada imagen es de 28x28 píxeles en escala de grises.
Cargar el Dataset MNIST en Python
Usamos la librería `Keras` para cargar el dataset MNIST en Python.
# Cargar el dataset MNIST
from tensorflow.keras.datasets import mnist
# Cargar los datos de entrenamiento y prueba
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# Normalizar las imágenes a valores entre 0 y 1
x_train, x_test = x_train / 255.0, x_test / 255.0
Entrenando un Modelo de Red Neuronal
Ahora, vamos a crear y entrenar un modelo de red neuronal utilizando Keras.
# Importar las librerías necesarias
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.optimizers import Adam
# Crear el modelo secuencial
model = Sequential([
Flatten(input_shape=(28, 28)), # Convertir las imágenes 28x28 a un vector
Dense(128, activation='relu'), # Capa densa con 128 neuronas
Dense(10, activation='softmax') # Capa de salida con 10 clases
])
# Compilar el modelo
model.compile(optimizer=Adam(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Entrenar el modelo
model.fit(x_train, y_train, epochs=5)
Evaluando el Modelo
Después de entrenar el modelo, podemos evaluarlo utilizando el conjunto de prueba.
# Evaluar el modelo
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Precisión en el conjunto de prueba: {test_acc}")
Predicción de una Imagen
Finalmente, podemos usar el modelo para hacer predicciones sobre nuevas imágenes.
# Hacer una predicción sobre una imagen
import numpy as np
import matplotlib.pyplot as plt
# Seleccionar una imagen aleatoria del conjunto de prueba
image = x_test[0]
# Predecir el dígito
prediction = model.predict(np.expand_dims(image, axis=0))
predicted_digit = np.argmax(prediction)
# Mostrar la imagen y la predicción
plt.imshow(image, cmap='gray')
plt.title(f"Predicción: {predicted_digit}")
plt.show()
Precisión del Modelo
Al evaluar el modelo con el conjunto de datos de prueba, podemos calcular la precisión del modelo para medir su efectividad en la clasificación de imágenes.
Conclusiones
El dataset MNIST es una excelente herramienta para comenzar con el aprendizaje automático en reconocimiento de imágenes. Hemos cubierto desde la preparación de los datos hasta la evaluación del modelo.
