Aprendizaje profundo con Apache Spark — Parte 1

Autor: Favio Vázquez

Tradutor:Paula Vidal

Este artículo representa la primera parte de una discusión sobre Distributed Deep Learning con Apache Spark. Analizaremos principalmente qué es Spark y los conceptos básicos de Spark + DL. Puedes encontrar la segunda parte aquí: Deep Learning With Apache Spark — Part 2.

  Introducción de  Apache Spark

 

apache spark

 

Apache Spark TM

Spark sus creadores lo definen como una tecnología rápida y genérica para el procesamiento de datos a gran escala.

Rápido en comparación con los enfoques anteriores en la gestión de grandes volúmenes de datos, como el clásico MapReduce. El secreto de Spark radica en la memoria (RAM) que hace que el procesamiento sea más rápido que el realizado en el disco

Generica significa, que se puede usar para múltiples funciones tales como: ejecución de SQL distribuido, creación de canalizaciones de datos, asimilación de datos en bases de datos, ejecución de algoritmos de aprendizaje automático, trabajo con estructuras gráficas, etc.

 

 

RDD

 

 

 

image 1

Imagen sacada de PySpark-Pictures de Jeffey Thompson

El punto de partida de Apache Spark es el Resilient Distributed Dataset (RDD), un set de datos dividido en particiones.

Un RDD es un conjunto de elementos, con tolerancia a fallas (fault-tolerant) , que se pueden ejecutar en paralelo. Puede crearlos paralelizando una colección que ya tienen en su programa driver o haciendo referencia a un dataset en un sistema de memoria externo como HDFS, HBase o cualquier fuente de datos que ofrezca un formato de entrada Hadoop.

 

rdd

 

Una cosa para recordar acerca de Spark es que en todas las transformaciones los resultados no se contaran de inmediato, sino que se aplica una estructura de gráfico. Las transformaciones se calculan solo cuando se define el gráfico.

 

Por defecto, cada RDD se puede recalcular cada vez que se realiza una acción en él. Sin embargo, también puede mantener un RDD en la memoria utilizando el método de caché, y en este caso Spark mantendrá los elementos alrededor del clúster en la memoria para un acceso futuro más rápido. También ofrece soporte para almacenar RDD en un disco o replicarlos en múltiples nodos

 

Si desea obtener más información sobre las transformaciones y acciones de RDD en Spark, consulte en la documentación oficial:

RDD Programming Guide – Spark 2.3.0 Documentation
Spark 2.3.0 programming guide in Java, Scala and Pythonspark.apache.org

Dataframe

image 2

 

Imagen sacada de PySpark-Pictures de Jeffey Thompson

Comenzando con la versión Spark 2.0.0 DataFrame, el dataset está organizado en columnas con nombre. Conceptualmente es equivalente a una base de datos relacional o un data frame en R / Phyton, pero con sistemas de optimización más sofisticados.

En este artículo no profundizaremos sobre el dataset, pero digamos que lo podemos definir como una colección distribuida de datos que pueden derivarse del  JVM object y luego manipularse mediante transformaciones funcionales. También están disponibles en Scala y Java.

Los dataframe se pueden se puede obterner de una variedad de fuentes tales como: datos estructurados, tabla en Hive, bases de datos externas o RDD existentes.

image 3

 

https://aspgems.com/blog/big-data/migrando-de-pandas-spark-dataframes

En resumen, el dataframe API es el medio utilizado por los desarrolladores de Spark para facilitar el trabajo con datos en el framwork. Es muy similar a los de Pandas y R pero con muchas ventajas. En primer lugar es que pueden distribuirse alrededor de los clusters, para que puedan trabajar con muchos datos; en segundo lugar  es que están optimizados.

Este fue definitivamente el paso más importante, que hizo que el uso de Spark fuera mucho más rápido con Java o Scala.

 

 

image 4

 

 

La persona responsable de esta optimización es Catalyst. Este último toma set de queries y crea un plan optimizado y distribuido para el cálculo.

 

 

 

 

 

 

image 5

Deep Learning y Apache Spark

 

image 6

https://becominghuman.ai/building-an-image-classifier-using-deep-learning-in-python-totally-from-a-beginners-perspective-be8dbaf22dd8

Si quiere saber más sobre el aprendizaje profundo, lea primero los siguientes artículos:

 

A “weird” introduction to Deep Learning

My journey into Deep Learning

¿Por qué utilizar Deep Learning en Apache Spark?

  1. Apache Spark es un framework  para el cálculos distribuido en un clúster.
  2. Hay partes del aprendizaje profundo que son computacionalmente pesadas y la distribución de estos procesos es problemática; Apache Spark es una gran solución.

Hay varias maneras de utilizar el aprendizaje profundo con Apache Spark, los enumeramos a continuación:

  1. Elephas: Distributed DL con Keras e PySpark:

maxpumperla/elephas

  1. Yahoo! Inc.: TensorFlowOnSpark lleva los programas de Tensorflow a los clusters de Apache Spark:

yahoo/TensorFlowOnSpark

 

  1. CERNDistributed DL con un enfoque en distributed training usando Keras y Apache Spark:

cerndb/dist-keras

  1. Qubole el aprendizaje profundo ha demostrado producir modelos altamente efectivos de aprendizaje automático en diferentes áreas (tutoriales Keras + Spark):

Distributed Deep Learning with Keras on Apache Spark | Qubole

  1. Intel Corporation: BigDL (Distributed Deep Learning Library for Apache Spark)

intel-analytics/BigDL

Deep Learning Pipelines

 

 

 

 

image 7

 

 

Databricks

En lo que nos enfocaremos en estos dos artículos  Deep Learning Pipelines.

databricks/spark-deep-learning
spark-deep-learning – Deep Learning Pipelines for Apache Sparkgithub.com

Deep Learning Pipelines es una biblioteca de código abierto creada por Databricks que proporciona API de alto nivel para el aprendizaje profundo escalable en Phyton con Apache Spark.

No pasará mucho tiempo antes de que se convierta en una API oficial, así que vale la pena echarle un vistazo.

Algunas de las ventajas de esta biblioteca, en comparación con las enumeradas anteriormente, son:

  • Proporciona API listas para usar que permiten el uso de aprendizaje profundo con unas pocas líneas de código.
  • Se centra en la integración de fácil uso sin sacrificar el rendimiento.
  • Esta creado por los desarrolladores de Apache Spark, por lo que es más probable que surja como una API oficial.
  • Está escrita en Python, por lo que se integra con las librerias más importantes y utiliza la potencia del Tensorflow y Keras, son dos de los más utilizados en el el aprendizaje profundo.

En la siguiente parte nos enfocaremos completamente en la DL pipelines library  y cómo usarlas. Veremos en particular algunos temas tales como: transfer learning en una simple pipelibe, cómo usar modelos pre entrenados para trabajar con una cantidad “pequeña” de datos y hacer predicciones, etc.

 

Si desea obtener más información sobre Pipeline en Data Science con Python, eche un vistazo a estos artículos de Matthew Mayo:

Managing Machine Learning Workflows with Scikit-learn Pipelines Part 1: A Gentle Introduction

Managing Machine Learning Workflows with Scikit-learn Pipelines Part 2: Integrating Grid Search

Managing Machine Learning Workflows with Scikit-learn Pipelines Part 3: Multiple Models, Pipelines…

 

Para Pipeline en Spark, mire aquí:

 

ML Pipelines – Spark 2.3.0 Documentation

 

Mi viaje hacia el Deep Learning

Autor: Favio Vázquez

mi viaje 1

Un poco sobre mí y Deep Learning

Vengo de la física y la ingeniería en computación. Estudié en Venezuela, y luego hice una Maestría en Física en México. Pero me considero un Científico de Datos. ¿Interesante no? Así que, aunque tengo una amplia experiencia en matemáticas, cálculo y estadísticas, no fue fácil comenzar con el machine learning y el deep learning .

Estas asignaturas no son nuevas, pero la forma en que las estudiamos, cómo construimos el software y las soluciones que las usan, y también la forma en que las programamos o interactuamos con ellas, han cambiado dramáticamente.

Hice un artículo antes donde cubro parte de la teoría del deep learning y por qué es tan importante en este momento, pero algo que decir de nuevo es que los factores que hicieron que el deep learning fuera el “boom” del momento fue el desarrollo de varias simples pero importantes mejoras algorítmicas, los avances en hardware (principalmente GPU) y la generación y acumulación exponencial de datos en la última década.

 

mi viaje 2

¿Dónde comencé?

Cuando estudiaba Ingeniería en Computación, tuve una clase sobre Inteligencia Artificial (ese era el nombre del curso) alrededor del 2012. En ese momento, estaba realmente confundido con el tema. Quiero decir, sabía que era importante (en ese momento “por razones”), pero era extraño.

Estudié sistemas expertos, redes neuronales, algoritmos genéticos, y leí algunos artículos, dos que encontré realmente interesantes fueron:

Cuando leí esos artículos (no sabía sobre los avances en el machine learning, o incluso si existían), pensé que realmente estábamos muy lejos de alcanzar la Inteligencia Artificial “real”. Sigo pensando que no estamos tan cercanos como pensamos, y hay algunas cosas que tenemos que resolver, pero más sobre eso más adelante.

Entonces, porque para mí en ese momento (22 años) la IA era una esperanza perdida, comencé a estudiar computación cuántica, para mí era lo que venía antes de la IA, por supuesto que estaba equivocado:

 

mi viaje 3

Pero bueno, fue realmente interesante para mí porque mezcló mucha ciencia e ingeniería.

Mi interés en la IA

Entonces, volviendo a IA y todo eso, ¿qué pasó? ¿Por qué ahora soy tan apasionado de la IA, el machine learning, el deep learning cuando estaba seguro de que estábamos lejos de todo eso?

 

 

mi viaje 4

 

Lo que me sucedió fue Apache Spark y Andrew Ng . ¿Qué?

En 2014 (24 años), acababa de graduarme en Física, haciendo mi tesis sobre simulaciones de agujeros negro en Ingeniería, y luego, ¡boom! Descubrí Coursera, Machine Learning, Andrew Ng y Apache Spark.

 

Estaba tan asombrado con el aprendizaje serio en línea, algo que no probé antes (todavía no sé por qué), y comencé a hacer cursos sobre todo, desde genómica a astronomía, desde Scala a Python, desde el machine learning hasta las teorías filosóficas de Søren Kierkegaard (él es increíble por cierto).

No tenía un camino o un mentor, así que solo estaba explorando el mundo, tratando de descubrir qué quería hacer con mi vida .

Y luego, al mismo tiempo (finales de 2014), descubrí el curso de Andrew Ng sobre Machine Learning y el proyecto Apache Spark . Hice el curso en 2 semanas, no podía creer lo increíble que era este campo. Luego comencé a codificar lo que aprendí en Scala y Apache Spark, así que aprendí sobre computación distribuida, Hadoop, HDFS y todas esas cosas geniales.

Algunos de mis proyectos iniciales (no tan buenos) sobre machine learning y Spark pueden encontrarlos en mi GitHub. ¡Ve a mi primer repositorio!

Mi primer trabajo de Data Science

 

 

 

 

mi viaje 5

 

Conseguí mi primer trabajo como un trabajo de Data Science que finaliza en 2014, fui el único científico de datos en la empresa que intentaba averiguar qué puede hacer con los datos. Estaba muy confundido, ¡las cosas no estaban como en los cursos! Ya no estaba importando el conjunto de datos de Iris en R, estaba lidiando con datos extraños y no tenía idea de que los datos estaban “sucios” en la vida real.

Pero seguí aprendiendo todo el tiempo. De hecho, no estaba seguro (¡en absoluto!) De qué era la ciencia de datos en aquel entonces.

Construí algunos modelos simples, y los más complejos, principalmente en Scala y Python. Scala fue mi vida en 2015.

 

Las aventuras cosmológicas

mi viaje 6

Teoría de Roger Penrose de la Cosmología Cíclica Conformada

La ciencia de los datos fue mi segunda pasión después de la Física y la Cosmología (creo que ahora están en el mismo lugar), así que vine a México para hacer una Maestría en Física. Fue una experiencia increíble, pero aún faltaba algo. ¡Necesitaba codificar! ¡Me encantaba la programación!

Tomé cursos de Física fundamental, como Mecánica clásica, Mecánica cuántica, pero también Métodos numéricos, Computación de alto rendimiento y luego Razonamiento Bayesiano y Machine learning.

 

Así que al final mi maestría se dividió en mis dos pasiones. Y codifiqué mucho en mi tesis en Python, así que estaba muy feliz.

Convertirse en un científico de datos

Cuando terminé mi maestría (2017) decidí que lo que quería hacer era ayudar a la sociedad a ser un Científico de Datos. Sí, me tomó un tiempo.

Si deseas conocer mi viaje sobre cómo obtuve un trabajo increíble en el campo, echa un vistazo a esta publicación en el blog que hice hace tiempo: ¿Cómo conseguir un trabajo como Científico de Datos?

También comencé a compartir mi experiencia, pensamientos y conocimiento en mi LinkedIn , algo que era muy importante. Conocí gente increíble, eso me ayudó mucho, y ahora estoy ayudando a la gente, devolviendo :).

Todos los días estudio, código, contribuyo en proyectos de código abierto y también ayudo a la gente, así que estoy muy contento con lo que estoy haciendo.

¿Qué hay del deep learning?

 

mi viaje 7

 

¿No era esta una publicación sobre Deep Learning?

Sí, pero tenía que decirte por qué el deep learning es importante para mí ahora. Todos esos pasos que tomé me permitieron llegar a este punto.

Como Científico de Datos, así como en la mayoría de las carreras, necesitas estar al día con las teorías, tecnologías y frameworks; así que el año pasado vimos la explosión en Deep Learning, justo cuando me sentía cómodo con Machine Learning, algo completamente nuevo de aprender. Increíble pero estresante.

 

 

 

 

Entonces, ¿sabías dónde comencé? Adivina…

¡SÍ! ¡Con Andrew Ng de nuevo!

 

 

 

mi viaje 8

 

https://www.deeplearning.ai

Estoy realmente asombrado con él. Cuando estoy empezando en un campo, él ya lo está enseñando.

Pero bueno, todavía estoy haciendo estos cursos. Pero no me detuve allí. Necesitaba más información práctica también. Entonces comencé a aprender TensorFlow y luego Keras .

Para aquellos que no saben, Keras es una API de redes neuronales de alto nivel, escrita en Python y capaz de ejecutarse sobre TensorFlow , CNTKoTheano . Fue desarrollado por François Chollet con el objetivo de permitir la experimentación rápida. Poder pasar de la idea al resultado con la menor demora posible es la clave para hacer una buena investigación.

Existen excelentes recursos para el aprendizaje práctico de deep learning, como repositorios y libros en GitHub. En este momento estoy leyendo este libro, y ha sido una adición increíble a mi biblioteca:

 

https://www.manning.com/books/deep-learning-with-python

Como usar PySpark en el computador

Autor Favio Vázquez

Traductor Paula Vidal

 

spark 2

 

 

https://www.mytectra.com/apache-spark-and-scala-training.html

Supongamos que ya sabe de Apache Spark y PySpark, pero si desea ver una breve introducción la puede encontrar aquí.

El simbolo $ esta ejecutando el comando en el shell, por lo que no tienen que copiarlo.

 

Ejecutar PySpark in Jupyter

 

jupiter

 

  1. Instalar Jupyter Notebook

$ pip install jupyter

  1. Instalar PySpark

 

Comprueben si tienen Java 8 o versiones posteriores en su computadora. También necesitarás Python. (aconsejamos Python 3.5 de Anaconda).

Ahora vayan a la  pagina download di Spark. Seleccione la última versión, un paquete predeterminado para Hadoop, descárguelo.

Si quieren un apoyo Hive o si lo desea, tendrá que crear la distribución de spark usted mismo. Para hacerlo, vaya aquí.

Abra el archivo zip y muévalo a la carpeta directory / opt:

$ tar -xzf spark-2.3.0-bin-hadoop2.7.tgz
$ mv spark-2.3.0-bin-hadoop2.7 /opt/spark-2.3.0

Crea un enlace simbólico que te permita tener múltiples versiones de Spark:

$ ln -s /opt/spark-2.3.0 /opt/spark̀

Finalmente, insértalo en su  shell bash (o zsh ecc.) donde encuentre Spark de esta manera: configuren sus variables $PATH agregando las siguientes líneas en su archivo ~/.bashrc (o ~/.zshrc):

export SPARK_HOME=/opt/spark
export PATH=$SPARK_HOME/bin:$PATH

Ahora, para realizar  PySpark in Jupyter, necesitan actualizar las variables de entorno a PySpark. agregando las siguientes líneas en su archivo ~/.bashrc (or ~/.zshrc):

export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS=’notebook’

Reiniciar la terminal y lanzar PySpark:

$ pyspark

Este comando debería reiniciar Jupiter Notebook en su browser. Luego crea un nuevo notebook haciendo click ‘New’ > ‘Notebooks Python [default]’. Entonces les aparecera SparkContext y SqlContext (o solo SparkSession per Spark > 2.x)  en su computadora y ahora puede comenzar  a usar PySpark del pc. aqui algunos ejemplos para probar el ambiente.

Ejecutar PySpark nell’IDE  elejido (Integrated Devolopment Environment)

A veces necesitarás un entero IDE para crear códigos más complejos y PySpark no es de dafult en sys.path. pero esto no significa que no puedas usarlo como una biblioteca normal: simplemente agrégalo a la sys.path en la fase de ejecución.  El paquete findspark posee esta función.

$ pip install findspark

Después, para reiniciar PySpark en su IDE, escriban:

import findspark
findspark.init()

 

 

import pyspark
sc = pyspark.SparkContext(appName=”myAppName”)

Esto es todo. A continuación se muestra un ejemplo para probar PySpark localmente:

import findspark
findspark.init(“/opt/spark”)
import random
from pyspark import SparkContext
sc = SparkContext(appName=”EstimatePi”)
def inside(p):
    x, y = random.random(), random.random()
    return x*x + y*y < 1
NUM_SAMPLES = 1000000
count = sc.parallelize(range(0, NUM_SAMPLES)) \
             .filter(inside).count()
print(“Pi is roughly %f” % (4.0 * count / NUM_SAMPLES))
sc.stop()

view rawsimple_spark.py hosted with ❤ by GitHub

Si tiene alguna duda o pregunta, ¡no dude en hacer comentarios y solicitar aclaraciones!

 

Jupyter Notebook Python, Scala, R, Spark, Mesos Stack

docker

 

 

Docker es similar a una “máquina virtual” liviana (Dockers proporciona “imágenes” y “cointainer” y no máquinas virtuales),  como si tuviéramos una segunda computadora con su propio sistema operativo dentro de nuestra máquina. Podemos acceder a esta máquina virtual desde nuestra computadora y usarla como si estuviéramos accediendo a una computadora remota a través de ssh.

jupyter/docker-stacks
docker-stacks – Opinionated stacks of ready-to-run Jupyter applications in Docker.github.com

hagan click en el link  y siga los pasos indicados para tener una versión “contenerizada”  de Spark (2.3 con Hadoop 2.7)

Uso básico

El comando que sigue starts a container with the Notebook server listening for HTTP connections on port 8888 con un token de autenticación generada aleatoriamente

$ docker run -it –rm -p 8888:8888 jupyter/pyspark-notebook

 

Instalación de Pip

pip

 

Este paquete aún es experimental y puede cambiar en versiones futuras.

El paquete Python para Spark no pretende reemplazar todos los demás casos de uso. Esta versión     Python packaged de Spark es adecuado para interactuar con un clúster existente, que puede ser Spark, YARN o Mesos, pero no contiene las herramientas necesarias para configurar nuovos cluster.

Para instalarlo, ejecuta:$ pip install pyspark

Introducción a los métodos de reducción de dimensionalidad y elementos de álgebra lineal (Parte 2)

Autor: Matteo Alberti

Traductor: Paula Vidal

 

Sumario

Métodos lineales para la reducción:: 2

Identificación a través de la individualización de los subespacios. 2

Aproximaciones de las matrices usando el método de reducción. 10

Casos de aplicación básicos: Descomposición en valores singulares (SVD). 11

Reglas de matrices. 11

Reglas de vectores. 13

Reglas de inducción. 13

Reglas de Schatten. 13

Reglas de Frobenius. 13

Casos de aplicación básicos: análisis de Cluster. 16

Definición de una métrica. 16

Distancias Minkowski (Manhattan, Euclidea, Lagrange). 16

 

 

El objetivo de este primer tutorial es introducir las nociones básicas de reducción de la dimensionalidad desde el punto de vista matemático (espacios, subespacios, mapas lineales) y recuperar los elementos necesarios de álgebra lineal (normas, isometría, isomorfismo …) para cada uno de los algoritmos de aprendizaje automático.

 

 

Reglas de matrices

En este punto, hemos establecido el problema de reducir la dimensionalidad de los datos como un problema de aproximación entre matrices, ahora debemos evaluar y luego calcular la distancia entre la matriz de los datos originales y los aproximados a través del estudio de las diferentes normas:

Hay tres tipos principales de reglas:

  • Reglas de vectores
  • Reglas inducidas
  • Reglas Schatten

 

Cuando en el campo del análisis de datos nos referimos esencialmente, en algunas excepciones, a la norma Frobenius (distancia euclidiana)

 

Elemento de algebra:

Norma

Un norma(comúnmente viene marcada con ‖ ‖) es una función del espacio vectorial de matriz si:

 

ecuation 18

 

 

 

Reglas vectoriales

La familia de reglas vectoriales trata la matriz   X_n_x_k  como un vector   de  componentes donde podemos definir la norma usando cualquiera de las siguientes reglas:

pic 10

 

Nota:

Configurando p = 2 estamos conectados a la norma euclidiana

 

 

Reglas de inducción

 

pic 11

 

Regla de Schatten

 

La norma Schatten, de orden p, de una matriz X simplemente está dada por:

ecuation 21

 

Donde w_i   tiene valores singulares

 

 

Regla de Frobenius  

La norma Frobenius de nuestra matriz   X_n_x_k  inicial está dada por:

ecuation 22

 

Vamos a calcular, explicando el producto de matriz que obtenemos:

 

ecuation 23

 

Corresponde que la norma de Frobenius es igual a la raíz cuadrada de la suma al cuadrado de los elementos osea es una norma euclidiana vista como un vector que concuerda con la regla de vector de X de orden 2.

 

Elementos de algebra:

pista:

El operador de seguimiento, indicado por Tr (∙), se define como la suma de los elementos diagonales de la matriz de argumentos

 

 

 

Casos de aplicación básicos: análisis de Cluster

 

El análisis de Cluster es una técnica de análisis multivariado mediante la cual es posible agrupar unidades estadísticas, a fin de minimizar la “distancia lógica” interna de cada grupo y maximizar la que existe entre los grupos.

Es una de las técnicas de aprendizaje no supervisadas.

Por lo tanto, es espontáneo tener que definir qué se entiende por distancia lógica y en función de qué métrica.

 

Definición de métrica

pic 13

 

Si, por el contrario, presenta las tres primeras propiedades, podemos definirlo como un índice de distancia

 

Distancias Minkowski (Manhattan, Euclidea, Lagrange)

En este punto vamos a analizar los principales casos de distancias pertenecientes a la familia de distancias Minkowski donde:

ecuation 25

 

 

Destacamos los siguientes casos:

  • k=1 Distancia de Manhattan
  •  k=2 Distancia euclidiana
  • k\mapsto \propto  Distancia Lagrangiana (Čebyšëv)

 

Como por ejemplo:

ecuation 26

 

Por lo tanto, comenzando con el ejemplo de Cluster Analysis, es esencial definir el tipo de distancia con la que queremos trbajar en nuestro análisis.

Principalmente en los paquetes ya implementados se encuentran las tres variantes de las distancias de Minkowski (para variables cuantitativas)

Importar desde sklearn:

AgglomerativeClustering(n_clusters=2, affinity=’euclidean’, memory=None, connectivity=None, compute_full_tree=’auto’, linkage=’ward’

 

 

ecuation 27

Introducción a los métodos de reducción de dimensionalidad y elementos de álgebra lineal ( Parte 1)

Autor: Matteo Alberti

 

Traductor : Paula Vidal

 

Sumario

Métodos lineales para la reducción:: 2

Identificación a través de la individualización de los subespacios. 2

Aproximaciones de las matrices usando el método de reducción. 10

Casos de aplicación básicos: Descomposición en valores singulares (SVD). 11

Reglas de matrices. 11

Reglas de vectores. 13

Reglas de inducción. 13

Reglas de Schatten. 13

Reglas de Frobenius. 13

Casos de aplicación básicos: análisis de Cluster. 16

Definición de una métrica. 16

Distancias Minkowski (Manhattan, Euclidea, Lagrange). 16

 

 

El objetivo de este primer tutorial es introducir las nociones básicas de reducción de la dimensionalidad desde el punto de vista matemático (espacios, subespacios, mapas lineales) y recuperar los elementos necesarios de álgebra lineal (normas, isometría, isomorfismo …) para cada uno de los algoritmos de aprendizaje automático.

 

 

Métodos lineales para la reducción:

Por lo tanto, vamos a presentar con términos generales la lógica de los procesos de reducción lineal e dimensionalidad yendo en la primera fase para identificar subespacios “óptimos”.

 

 

pic 1

ecuation 1

 

Elementos de algebra:

Espacio vectorial

Definimos un espacio vectorial en R en un conjunto V, cuyos elementos se denominan vectores y presentan las siguientes propiedades vector.

                                                                                 

xiste en V una operación definida suma vectorial que se asocia en x,y \in V vector x+y \in V

  • La suma del vector es conmutativa, asociativa
  • Hay un vector en V, indicado con 0 y definido como origen
  • Cada vector X \in V   tiene su simbolo opuesto, indicado con –x t.c. x+(-x)= 0

Existe en V una operación definida multiplicación para los escalares que asocian en  con cada  X \in V  y a cada   I a \in V el vector   ax \in V en tal modo que:

  • La multiplicación entre escalares es asociativa
  • 1x = X, \forall X \in V

También vale para:

  • La multiplicación escalar es distributiva con respecto a la adición de vectores

Subespacio de vectores

S es un conjunto no vacío del subespacio de V si para cada  X-X=O \in      y cada uno de su combinación lineal    ax+\beta y =\in S

 

 

Nucleo e imagen

Sean V y W dos espacios vectoriales y que sean   L: V W una aplicación lineal

El núcleo de L es el conjunto de vectores de V cuya imagen es el vector nulo de W.

Este conjunto está indicado con ker L

pic 2

 

 La imagen de L es el conjunto de los vectores de W que son imágenes de algún vector que pertenece al dominio V, es decir:

 

pic 3

 

Mapa lineal

Un mapa lineal (o aplicación) f: V -> W entre espacios vectoriales reales es una función para la cual las propiedades son válidas:

ecuation4

por cada

pic 4

 

 

 

Vamos a definir solo los casos de relevancia principal:

Sean f: V -> W un mapa lineal. Entonces f es:

  • un monomorfismo si es inyectivo
  • un epimorfismo si es sobreyectiva
  • un isomorfismo si es biyectivo (inyectivo + sobreyectiva)
  • un endomorfismo si V = W
  • un automorfismo si V = W y es biyectiva.
  • de rango r si r = dim f(V).

 

Supongamos a este punto que hemos identificado un subespacio ( que especificaremos más adelante) V_p   que resulte suficientemente “aproximado” y que sea  V_1,..V_P  una base de V_P  (Nota: la base esta formata por vectores k-dimensionales porque    V_P es el subespacio de   R^k)

El mapa lineal \varphi\left ( . \right )  asociamos la entrada x_i  al elemento \varphi\left ( x_i \right ) de V_p , obtenemos la seguiente formula:

 

ecuation 5

a_i_j elejidos apropidamente

 

pic 5

 

 

A través de nuestro mapa, los vectores k-dimensionales de entrada se representan en vectores p-dimensionales que son elementos de  R^p .

 

En este punto podemos proceder a un análisis adicional de R^p

 

Así que investiguemos cómo esta reducción en la dimensionalidad sirve para mantener y perder como por ejemplo veamos el siguiente caso:

 

  • R^k \mapsto V_P
  • De V_p \mapsto R^P

 

 

R^k\mapsto V_p

 

 

 

Naturalmente pasar de k a p dimensiones con p <k implica una pérdida de información y una deformación de la geometría original del dato. De particular relevancia es que cualquier mapa lineal no puede ser un isomorfismo o una isometría.

 

Ciò comporta che tutte le norme, prodotti scalari e distanze non vengono preservate

Esto significa que todas las reglas, productos escalares y distancias no se conservan

Ejemplo:

pic 6

 

 

Elementos de algebra:

                               

Complemento octogonal:

Sea   S\subseteq V un subespacio de V, representamos un complemento ortogonale de D en V indicandolo con  S^\bot  el subconjunto de V los expresamos en la siguiente formula:

pic 7

 

 

Osea es un subconjunto de todos los vectores de V ortogonal a todos los vectores de S

 

 

 

 

 

V_P\mapsto R^P

 

 

El mapa lineal  \varphi (.) es un isomorfismo de los espacios vectoriales  V_p y R^p   , esto significa que no habrá pérdida de información.

 

 

pic 8

 

 

 

Elementos de algebra:

 

ortonormal:      

Una base se define como ortonormal cuando se compone de vectores uniformemente unitarios y ortogonales

 

 

 

Aproximaciones de las matrices usando el método de reducción

Queremos ofrecer una segunda visión sobre la reducción a la dimensionalidad basada en la aproximación matricial (esto es lo que se utilizará en la práctica en todos los lenguajes de programación)

Data:

 

pic 9

 

 

Entonces podemos escribirlo como:

 

ecuation 17

 

Las columnas de θ están dadas por las combinaciones lineales de las filas de B que provienen de nuestra base, con los coeficientes dados por las filas de A, las coordenadas de la base elegida.

Por lo tanto, nuestro problema de reducir la dimensionalidad corresponde a identificar un subespacio vectorial de dimensión p (p <k)  denuestra base elegida (B) y de las coordenadas relativas dadas por la matriz A.

 

En el análisis de los datos, donde nuestro punto de partida es la matriz de datos, las diferentes técnicas de reducción  se difirencian según el tipo de aproximación, descomposición y elección entre las muchas bases posibles.

 

 

Casos de aplicación básicos: Descomposición en valores singulares (SVD)

Implementemos en Python una simple descomposición en valores singulares (SVD), es decir, dividamos nuestra matriz de inicio X en las dos matrices A y B vistas anteriormente:

 

import numpy as np

X = np.array([3,2,4],[3,6,7],[2,1,4])

autoval, autovett = np.linalg.eig(X)

 

 

 

 

 

 

 

 

Uso del aprendizaje profundo para el reconocimiento de objetos

Autor: Joyce Xu

Traductor: Paula Vidal

 

1

1

Con la aparición de los vehículos autónomos, sistemas inteligentes de videovigilancia y diversas aplicaciones, como el conteo de personas, la demanda de sistemas de reconocimiento facial está creciendo. Estos sistemas se refieren no solo al reconocimiento y la clasificación de los objetos en las imágenes, sino también a la ubicación de cada uno de ellos, trazando a su alrededor un cuadro delimitador apropiado. Esto hizo que el sistema de reconocimiento de objetos fuera una tarea cada vez más compleja en comparación con su predecesora en el campo de la visión artificial: clasificación de imágenes.

Afortunadamente, los enfoques más apropiados para el reconocimiento de objetos son, actualmente, extensiones modelo para la clasificación de imágenes. Hace unos meses, Google lanzó una nueva API de reconocimiento de objetos (interfaz de programación de aplicaciones) en Tensorflow. En este lanzamiento, encontramos modelos pre-entrenados con pesos relativos:

En el articulo anterior, hablamos sobre las tres arquitecturas de redes neuronales mencionadas anteriormente (MobileNets, Inception y ResNet), pero hoy veremos los modelos de reconocimiento de objetos para Tensorflow: Faster R-CNN, R-FCN y SSD. A través de este artículo, entenderemos cómo se aplica el aprendizaje profundo a estos modelos para el reconocimiento de objetos, cómo son diferentes unos de otros y qué puntos son comunes.

Faster R-CNN

El R-CNN más rápido es ahora un modelo de referencia para la detección de objetos basado en el aprendizaje profundo, que ha inspirado muchos modelos posteriores de detección y segmentación, incluidos los dos que examinaremos. Desafortunadamente, no podemos entender completamente el R-CNN más rápido sin analizar R-CNN y Fast R-CNN, sus predecesores.

R-CNN

Podemos decir que el R-CNN, Region-based Convolutional Neural Network, es la red que dio vida los juegos. Consiste en tres fases:

  1. Escaneando la imagen de entrada para detectar objetos posibles, usando un algoritmo llamado Selective Search, que extrae aproximadamente 2000 regiones de esta imagen (Region Proposal).
  2. Implementación de la red neuronal convolucional (CNN) en la parte superior de cada región.
  3. Extrapolación de la salida de cada CNN para ingresarla en:
    1. una SVM (Support Vector Machine) para clasificar la región
    2. Realice una regresión lineal para restringir el cuadro delimitador del objeto, si existe.

Las fases estan ilustradas (de abajo hacia arriba) en la figura siguiente:

 

2

2

En otras palabras, primero generamos las regiones posibles, luego extraemos las características y luego clasificamos esas regiones en función de las características extraídas. Básicamente, hemos convertido la detección de objetos en un problema de clasificación. El R-CNN es muy intuitivo pero, lamentablemente,  muy lento.

 

Fast R-CNN

La version creado sucesiva es el Fast R-CNN. Este se parece al original en muchas de sus características, pero es mejor en términos de velocidad de detección para dos aspectos:

  1. La extracción de características se lleva a cabo antes de extraer las regiones de interés, pero usando solo una CNN para toda la imagen en lugar de 2000 CNN en las 2000 regiones sobrepuestas .
  2. SVM se reemplaza por una función softmax , además, la red neuronal también se usa para realizar pronósticos en lugar de crear un nuevo modelo

 

El modelo se ve más o menos así:

 

3 1

3 1

Como podemos ver en la imagen, ahora estamos generando propuestas regionales basadas no en la imagen original, sino en el último mapa de las características extrapoladas de la red. Esto nos permite entrenar solo una CNN para toda la imagen.

Además, en lugar de entrenar diferentes SVM para clasificar cada objeto, hay una sola capa de softmax que genera directamente la probabilidad para la categoria de referencia. Entonces, ahora tenemos una sola red para entrenar, con la diferencia de lo que sucedió anteriormente donde en cambio había una red neuronal flanqueada por múltiples SVM.

El Fast R-CNN se desempeña, por lo tanto, mejor en términos de velocidad. Sin embargo, queda un defecto importante: el algoritmo de selective search que propone posibles regiones.

Faster R-CNN

Ahora hemos alcanzado el objetivo inicial de nuestro artículo: Faster R-CNN. La intuición fue aquella de reemplazar el lento algoritmo de  selective search con una red neuronal rápida. Específicamente, se introdujo la region proposal network  (RPN), una red de propuesta regional.

Cómo funciona el RPN:

  • En la última capa de una CNN inicial, una ventana deslizante de 3×3 se mueve a través del mapa de características para asignarle un tamaño más pequeño (por ejemplo, 256-d).
  • Para cada posición de ventana deslizante, el RPN genera múltiples regiones posibles basadas en uniones espaciales de dimensiones fijas llamadas cajas de anclaje. (anchor boxes).
  • Cada propuesta regional consiste en:
  • un puntaje (score) para la presencia del objeto en esa región en particular
  • 4 coordenadas que representan el cuadro delimitador de la región.

En otras palabras, veamos nuestra región en el último mapa de características, teniendo en cuenta los diferentes k caudros de anclaje que lo rodean. Para cada cuadro, se muestra si esta tiene un objeto y  caules son las coordenadas del cuadro. En la imagen, se representa como aparece desde la posición de una ventana deslizante:

 

4 1

4 1

La puntuación de 2k representa la probabilidad dada por softmax para cada caja k debido a la presencia de un objeto. Cabe señalar que, aunque el RPN procesa las coordenadas de los cuadros delimitadores, no clasifica los posibles objetos de todos modos: tiene el único propósito de identificar regiones en las que hay objetos presentes , por lo tanto, comunicar las coordenadas con los cuadros relacionados. Si un cuadro de anclaje tiene una puntuación, relativa a la presencia de un objeto, por encima de un cierto umbral, entonces esa casilla dada se seleccionará como una posible región.

Teniendo ahora nuestras posibles regiones, las presentamos directamente en el Fast R-CNN. Agregamos una capa de Pooling, algunas capas completamente conectadas, finalmente una capa de clasificación softmax y un regresor de  cuadros delimitadores (cuadro delimitador regresivo). Podemos decir que Faster R-CNN = RPN + Fast R-CNN.

 

5 1

5 1

El Faster R-CNN logra asi una  mejor velocidad y precisión. Aunque ha habido múltiples intentos de aumentar la velocidad de reconocimiento de los objetos, solo unos pocos modelos han sido capaces de superar esta red. En otras palabras, el Faster R-CNN ciertamente no es el método más fácil y rápido para la  object detection, pero aún presenta uno de los mejores rendimientos. Por lo tanto, el  Faster R-CNN en Tensorflow con  la Inception ResNet es el modelo más lento pero también el más preciso.

Aunque el la Faster R-CNN puede parecer complejo, es posible observar que en el corazón de su estructura es el mismo su original el R-CNN: identifica las posibles regiones de objetos y las clasifica. Este es el enfoque dominante de la mayoría de los modelos actuales de detección de objetos, incluido el que vamos a analizar ahora.

R-FCN

Regresemos  atras por un momento. Hemos dicho que Fast R-CNN ha mejorado mucho su velocidad de detección al compartir una sola CNN para todas las regiones. Este mecanismo básico es el mismo que el de la R-FCN: aumente la velocidad maximizando el numero de parámetros compartidos.

La Region-based FullyConvolutional Net (R-FCN) comparte la totalidad del cálculo para cada salida individual.

Por un lado, cuando clasificamos un objeto queremos que el modelo sea invariante con las traducciones, para identificarlo donde sea que aparezca. Por otro lado, sin embargo, necesitamos saber también una posible variación de las traducciones: si nuestro objeto está en la esquina superior izquierda, el modelo debe dibujar un cuadro delimitador en ese punto. Entonces, ¿cómo encontrar un compromiso entre los dos extremos, la varianza y la invarianza?

La solución dada por R-FCN es representada por la position-sentitive score maps: mapas de puntuación (relativo a los features, extraer a través de convoluciones, a las que se les asigna un puntaje basado en la presencia una determinada clase dada) sensibles a la posición de los objetos que intentemos clasificar.

Cada uno de estos mapas representa una posición relativa a una clase de objetos. Por ejemplo, un cuadro mapa de puntos podría activarse si identifica el lado superior derecho de un gato, mientras que otro podría activarse cuando detecta el lado inferior izquierdo de una máquina. Esencialmente, estos mapas de puntuación son mapas de características convolucionales que han sido entrenados para reconocer ciertas partes de cada objeto.

La R-FCN funciona de la siguiente manera:

Ejecuta una CNN (en este caso un ResNet) en la imagen de entrada.

Agregue una capa convolucional que incluya todos los mapas generados a partir del paso anterior para obtener un conjunto de puntuaciones de las imágenes generales  . Obtenemos k²(C+1) puntuación de mapas, donde k² representa el número de posiciones relativas para dividir un objeto (por ejemplo 3²  para una cuadrícula 3×3), donde C+1

  1. Ejecute una RPN para generar regiones de interés (RoI)
  2. Divide cada una RoI en el mismo k² subregiones el cual está compuesto por mapas de puntuaciones
  3. Ahora debemos verificar si en la suma de los puntajes generales, de cada subregión coincide con la posición relativa correspondiente de un objeto. Por ejemplo, si queremos considerar la subregión en la esquina superior izquierda, debemos tomar el mapa de puntuación que corresponde a la esquina superior izquierda de un objeto y convertirlo en un promedio dentro del ROl. Este proceso se repite para cada catergoria.
  4. Despues que cada k² subregión tiene un valor de “object match” por cada categoria, se obtiene un promedio de las subregiones para obtener un puntaje para cada categoria.

5.Clasifique los RoI con una función softmax en los restantes C + 1 vectores dimensionales

 

Un R-FCN, que tiene un RPN que genera los RoI, aparecerá más o menos así:

6 1

6 1

Comprender cómo funciona este modelo es más fácil si realmente puede visualizar concretamente lo que hace. A continuación tenemos un ejemplo de cómo funciona mientras busca de dectectar un recién nacido.

 

7

7

Figura 4: podemos observar una RoI que no se superpone correctamente con el objeto
Figura 3: Observamos una R-FCN (k x k = 3 x 3) por la categoria persona

En términos simples: el R-FCN considera cada región, subdividiéndolas en subregiones y preguntando a cada una de ellas si corresponden a la porción relativa de la imagen de entrada. Por ejemplo, “¿Se parece a la parte centro derecha de un niño?”. Esto se repite en cada categoria. Si la mayoría de las partes de las subregiones resultan correspondientes, entonces el RoI lo clasifica como recién nacido, después que la función softmax lo ha realizado en en todas las categorias.

De esta forma, el R-FCN puede identificar simultáneamente la varianza de las traducciones, proponiendo diferentes regiones de objetos y la invariabilidad de las traducciones a través de la referencia de cada región a los mismos mapas de puntuación. Estos mapas de puntuación deberian aprender a clasificar un gato como tal, donde sea que aparezca. Además, es completamente convolucional: esto significa que el cálculo se comparte en toda la red.

Esto permite que el R-FCN sea s más rápido que el FasterR-CNN , logrando el mismo grado de precisión.

SSD

El último modelo que vamos a analizar es el Single-Shot Detector (SDD) . Como el R-FCN alcanzó una velocidad mucho más alta que el Faster R-CNN pero de una forma diferente.

Los primeros dos modelos realizan una  region proposal y region classification en dos fases distintas. En primer lugar, utilizan una RPN (region proposal network) para generar las regiones de interés, luego clasifican estas regiones a través de sus capas totalmente conectadas o las capas convolucionales sensibles a la posición de los objetos que se van a clasificar. El SSD combina estos dos procesos en un solo paso, al tiempo que proporciona los cuadros de delimitación y las categoria, en el momento que examina la imagen.

 

 

Dada una imagen de entrada y un conjunto de etiquetas para al dataset, la SSD actúa de esta manera:

1) Pasa la imagen a través de una serie de capas convolucionales, produciendo mapas de las características a diferentes escalas (por ejemplo, 10×10, luego 6×6 y nuevamente 3×3, etc.)

2) Por cada posición en cada uno de estos mapas de características, se usa un filtro convolucional de 3×3 para evaluar un pequeño conjunto de requadros delimitadores predefinidos. Estos últimos son el equivalente a cuadros de anclaje(anchor boxes) del Faster R-CNN

3)Por cada requadro establece al mismo tiempo:

  1. El recuadro del bounding box
  2. La probabilidad para cada categoria.

Durante el entrenamiento se hace coincidir el requadro real con el predicho sobre Intersection over Union (IoU), que es el índice de Jaccard. Los recuadros mejores pr se etiquetarán como “positivos”, así como todos los demás recuadros con un valor de IoU> 0.5.

Durante el entrenamiento de la SSD, sin embargo, existe una dificultad peculiar en comparación con los modelos anteriores. En los primeros dos modelos, el RPN permitió considerar solo lo que tenía la más mínima posibilidad de ser un objeto. Con la SSD, sin embargo, se elimina el primer filtro: clasifica y rastrea cuadros delimitadores en cada posición de la imagen, usando recuadros de diferentes formas y escalas múltiples. Esto da como resultado  un número mucho mayor de recuadros  donde la mayoría de estos son negativos (ya que no detecta objetos).

El SSD corrige este problema de dos maneras. Primero, utiliza la no-maximum suppression  (NMS) para agrupar varias requadros superpuestos en una unico recuadro. Entonces, por ejemplo, cuatro recuadros de forma y tamaño similares contienen el mismo objeto, el NMS le permite mantener el mejor rquadro, el más preciso, y descartar los restantes. En segundo lugar, utiliza una técnica llamada  para hard negative mining para equilibrar las categorias durante el entrenamiento. Con esta técnica, solo se utiliza un subconjunto de ejemplos negativos con la mayorloss in fase di training  (los denominados falsos positivos)  que se  usa para cada iteración durante el entrenamiento. El SSD mantiene una relación de 3: 1 entre negativos y positivos.

 

 

 

Su arquitectura se ve así:

8

Como se mencionó anteriormente, vemos que hay “extra feature layers. Estos mapas de características de tamaño variable ayudan a identificar objetos de diferentes tamaños. Aquí hay un ejemplo:

9

En mapas de funciones más pequeñas (4×4), cada cuadro cubre una región más amplia de la imagen, lo que le permite identificar objetos más grandes. La region proposal y la clasificación se ejecutan al mismo tiempo: teniendo categorias p de objetos, cada cuadro delimitador se asocia con un vector dimensional (4 + p) que produce 4 recuadros de coordenadas y probabilidad de categorias p. En última instancia, una función sotmax también se usa para clasificar objetos.

Por lo tanto, podemos decir que el SSD no es tan diferente de los dos modelos anteriores. Sin embargo, omite el paso de la identificación de la región, considerando cada cuadro en cada posición de la imagen junto con su clasificación. Al realizar todos estos procesos simultáneamente, el SSD es sin duda el más rápido de los tres modelos considerados.

 

 

 

 

Conclusión

El  Faster R-CNN , el R-FCN y el SSD son tres de los mejores y más usados modelos para la detección de objetos. Todos ellos confían en las redes neuronales convolucionales para las primeras etapas del proceso y siguen, más o menos, el mismo método de proponer regiones y clasificación.

Guía para arquitecturas de redes profundas

Autora: Joyce Xu

Tradutor: Paula Vidal

 

 

1

GoogLeNet, 2014

En los últimos años, gran parte del progreso realizado en el uso del aprendizaje profundo para la visión artificial se puede rastrear a un pequeño grupo de arquitecturas de redes neuronales. Dejando de lado las matemáticas, los códigos y los detalles de la implementación, en este artículo pretendemos analizar cómo funcionan estos modelos.

Por el momento, Keras domina con seis de estos modelos pre-entrenados que ya están incluidos en la biblioteca:

  • VGG16
  • VGG19
  • ResNet50
  • Inception v3
  • Xception
  • MobileNet

 

 

Las redes VGG, junto con la anterior AlexNet del 2012, siguen el esquema arquetípico de las redes convolucionales clásicas: una serie de convolucionces,max pooling, capas de activación y finalmente algunas capas de clasificación completamente conectadas. MobileNet es, esencialmente, una versión simplificada de la arquitectura Xception, optimizada para aplicaciones móviles. Sin embargo, los tres modelos restantes realmente han redefinido la forma en que actualmente observamos las redes neuronales. Este artículo se centrará en la intuición de las arquitecturas de ResNet, Inception y Xception, y en por qué se han convertido en el punto de referencia para los estudios posteriores de visión artificial.

ResNet

ResNet, nació de una simple observación: “¿por qué agregar más capas a las redes neuronales profundas no mejora la precisión, o incluso peor?”

Intuitivamente, las redes neuronales más profundas no deben funcionar peor que las superficiales, o al menos no durante el entrenamiento cuando no existe el riesgo de overfitting. Tomamos una red de ejemplo con n capas que alcanzan cierta precisión. Como mínimo, una red con n + 1 capas debería ser capaz de alcanzar el mismo grado de precisión copiando las primeras n capas y ejecutando un mapeo de identidad para la última capa. Del mismo modo, las redes de n + 2, n + 3 y n + 4 capas pueden, con el mismo método, obtener la misma precisión. Sin embargo, a medida que la profundidad de la red crece esto no siempre es cierto.

Los desarrolladores de ResNet han devuelto este problema a la hipótesis de que las asignaciones directas son difíciles de entrenar. Por lo tanto, propusieron un remedio: en lugar de tratar de aprender a partir de mapeos subyacentes de x y H (x), es posible aprender la diferencia entre los dos, que es el “residuo” y, posteriormente, ajustar el último a la entrada.

Supongamos que el residuo es F (x) = H (x) -x. Ahora nuestra red intenta aprender de F (x) + x.

Esto dio origen a los famosos bloques de ResNet (red residual):

2.jpg

ResNet block

 

ResNet block

Cada “bloque” ResNet consta de una serie de capas y un mapeo de identidad que agrega una entrada de bloque a la salida. Esta operación de “adición” se realiza elemento por elemento. Y si la entrada y la salida son de diferentes tamaños, se pueden utilizar técnicas de relleno cero o de proyección (a través de convoluciones de 1×1) para crear las dimensiones correspondientes.

Volviendo a nuestra red de ejemplo, este método puede simplificar enormemente la construcción de las capas de identidad de las que está compuesto. De hecho, es mucho más fácil aprender a presionar F (x) a 0 y dejar la salida como x. Por lo tanto, ResNet proporciona a las capas un punto de referencia x desde el cual aprender, en lugar de comenzar desde cero desde una transformación de identidad.

Esta idea es realmente efectiva en la práctica. Antes, en las redes neuronales profundas había un problema de cancelación del gradiente, cuyo descenso, dado por la minimización de la función de error, se reduce exponencialmente a través de la retropropagación de las capas anteriores. En esencia, el largo camino a través de las capas anteriores hizo que los signos de errores fueran tan pequeños que no permitieran que la red aprendiera. Sin embargo, gracias a la innovación introducida por ResNet, descrita anteriormente, ahora podemos construir redes de innumerables capas (potencialmente más de mil) que tienen un alto grado de precisión. Este fue un gran paso, considerando que el modelo más profundo creado hasta entonces fue de 22 capas (ganador de la competencia ILSVRC 2014).

Se han publicado muchos artículos posteriores sobre aprendizaje profundo, pero sin mayores mejoras. ResNet sigue siendo, fundamentalmente, el modelo que cambió nuestra comprensión de las redes neuronales y cómo aprenden

¡La red de 1000+ capas es de código abierto! Puedes encontrarlo aquí.

Inception

Si ResNet se concentra en la profundidad, Inception Family ™ se enfoca en la extensión. Entonces, los desarrolladores de Inception estaban interesados en la eficiencia computacional de entrenar redes más grandes. En otras palabras: ¿cómo podemos aumentar el ancho de las redes neuronales sin exceder la capacidad computacional de una computadora?

El trabajo original se refería a un componente conocido como el nombre de “Inception model”.  El corazón de este modelo contenía dos elementos innovadores.

  1. La primera intuición se refiere a las operaciones en las capas. En una CNN tradicional, cada capa extrae información de la capa anterior para transformar los datos de origen en un tipo diferente de información. La salida de una convolución de 5×5 extrae características diferentes de las de un 3×3 o un máximo de agrupación, y así sucesivamente. Para cada capa, ¿cómo podemos adivinar qué núcleo proporciona la información más relevante?

¿Por qué no dejar que el modelo elija?

Un módulo Inception elabora múltiples y diferentes transformaciones en los mismos datos de entrada, al mismo tiempo, vinculando los resultados en una sola salida. En otras palabras, cada  capa“Inception module”  consistira en una convolución de 5×5, una 3×3 y max-pool. La selección de las características más relevantes se deja a la siguiente capa.

3The increased

La mayor densidad de información de la arquitectura de este modelo tiene un problema relevante: el aumento drástico en la capacidad computacional requerida. No solo los filtros convolucionales más grandes (por ejemplo, 5×5) son exigentes y costosos de calcular, sino que la superposición de diferentes filtros aumenta el número de mapas de características para cada capa. Este es un verdadero impedimento para nuestro modelo.

Veámoslo de otra manera: para cada filtro que agreguemos, debemos realizar una convolución en todos los mapas de entrada para calcular una única salida. En la imagen a continuación vemos cómo la creación de un mapa de salida a partir de un solo filtro implica el cálculo en cada mapa de las capas anteriores.

4

Digamos que hay M mapas de entrada. Para cada filtro adicional, debemos hacer que se involocre a lo largo de todos los mapas de entrada M; de la misma manera, si tenemos más N filtros, deberíamos hacer que se convolucionen a lo largo de todos los mapas N * M. En otras palabras, “cualquier aumento uniforme en el número de [filtros] da como resultado un aumento al cuadrado en el cálculo”. Nuestro módulo Inception ha triplicado o cuadruplicado la cantidad de filtros. Desde un punto de vista computacional, es un problema real.

Esto lleva a la segunda intuición: use circunvoluciones 1×1 para una reducción en la dimensionalidad. Para resolver la dificultad computacional descrita anteriormente, los desarrolladores de Inception usaron convoluciones 1×1 para “filtrar” la profundidad de las salidas. Estas circunvoluciones tienen en cuenta un valor a la vez, pero a través de múltiples canales, y también pueden extraer información espacial y comprimirla en una dimensión más pequeña. Por ejemplo, con 2 x 1×1 filtros, una entrada de tamaño 64x64x100 (con 100 mapas de características) se puede comprimir a 64x64x20. Al reducir el número de mapas de entrada, los desarrolladores pudieron superponer las transformaciones de diferentes capas en paralelo, lo que generó redes que eran profundas (con numerosas capas) y amplias (con operaciones paralelas).

5

 

  1. a) modulo Inception,primera versión b) modulo Inception con reducción de dimensionalidad

la primera versión de Inception, llamada “GoogLeNet”, es la anteriormente mencionada que tiene 22 capas y que ganaron la competencia ILSVRC 2014. Inception v2 y v3, desarrolladas un año después, son mejores que la versión anterior por varios factores: el más relevante es el refactoring de circunvoluciones grandes en otras más pequeñas y consecutivas, que son más fáciles de aprender. Por ejemplo, en el Inception v3, la convolución 5×5 fue reemplazada por dos convulsiones consecutivas de 3×3.

El inicio se convirtió rápidamente en una referencia para la arquitectura de modelos posteriores. Su última versión, v4, también agrega conexiones residuales entre cada módulo, creando un híbrido entre Inception y ResNet. No obstante, el factor más importante es que este modelo demuestra la fortaleza de las arquitecturas red-red bien concebidas, que alcanzan un nuevo nivel en la legitimación del poder de las redes neuronales.

Vale la pena señalar que la investigación sobre las siguientes versiones v2 y v3 se publicó el día inmediatamente posterior a la fecha de renuncia en ResNet.

Xception

Xception, “extreme inception”, con diferencia de las arquitecturas anteriores, ha cambiado nuestra comprensión de las redes neuronales, particularmente las redes convolucionales.

La hipótesis fue: “las correlaciones espaciales y las que existen entre los canales son lo suficientemente libres para hacer que sea preferible no mapearlas juntas”.

Esto significa que en una CNN tradicional, los estados convolucionales identificaron correlaciones entre el espacio y la profundidad. En la siguiente imagen podemos revisar la operación.

4

El filtro considera simultáneamente una dimensión espacial (cada cuadrado de 2×2 colores) y un cross-channel o dimensión de “profundidad” (la pila de cuatro cuadrados). En la capa de entrada de una imagen, esto es el equivalente de un filtro convolucional que examina un grupo de píxeles de 2×2  que atraviesa los tres canales RGB. Entonces nos hacemos una pregunta: ¿qué razón tenemos para considerar la región de imagen y los canales simultáneamente?

6

Inception comienza a separar estos dos elementos: gracias a las convoluciones 1×1 proyecta la entrada original en múltiples espacios de entrada de menor tamaño, y de cada uno de estos utiliza diferentes filtros para transformar esos pequeños bloques de datos tridimensionales. Xception va aún más allá: en lugar de dividir los datos de entrada en múltiples grupos comprimidos, mapea  separadamente para realizar una convolución 1×1 en profundidad para capturar correlaciones cross-channel .

Esta operación se conoce como “depthwise separable convolution”  que consiste en una convolución espacial(depthwise convolution) realizada independientemente para cada canal, seguida de una convección 1×1 (pointwise convolution) entre los canales. Por lo tanto, es una búsqueda de correlaciones primero en un espacio bidimensional y luego en un espacio unidimensional. Esta asignación 2D + 1D es más fácil de aprender que una completamente 3D.

Xception supera el rendimiento de Inception v3 en los  dataset de ImageNet, y lo hace igualmente bien con los dataset para la clasificación de imágenes de 17,000 clases. Además, tiene la misma cantidad de parámetros del modelo Inception, lo que permite una eficienente. Aunque Xception es muy reciente, su arquitectura ya se ha convertido en parte de las aplicaciones de Google para visión móvil, a través de MobileNet.

Tenemos  que decir que el desarrollador de Xception, François Chollet, también es el autor de Keras.

 

 

 

Perspectivas y aplicaciones

 

El conocimiento de ResNet, Inception y Xception se ha vuelto más y más importante, tanto en investigación como en negocios. Una aplicación interesante es el aprendizaje por transferencia, una técnica de aprendizaje automático en la cual el conocimiento tomado de una fuente (por ejemplo, ResNet) se aplica a un dominio /o sector especifico que podria tener puntos de datos numéricamente mucho más pequeños. Esto generalmente incluye dos acciones: inicializar un modelo con pesos preinscritos por ResNet, Inception, etc., utilizándolo tanto para la extracción de características como para la optimización (fine-tuning) de las últimas capas en un nuevo dataset. A través del aprendizaje de transferencia, estos modelos pueden reutilizarse para cualquier operación relacionada con él, desde la detección de objetos para vehículos de conducción autónomos hasta la creación de etiquetas y subtítulos para grabaciones de video.

Puede encontrar una guía de Keras para a modelos de fine-tuning aquí.

 

Redes neuronales capsulares

Autor: Matteo Alberti

Traductor: Paula Vidal

 

Las redes neuronales convolucionales obtienen grandes resultados cuando los datos que estan en fase de prueba, resultan ser muy similares a los utilizados en la fase de aprendizaje, pero, en caso de rotaciones, traducciones o transformaciones, estos resultan sujetos a una falta de capacidad para generalizar. Por lo tanto, es una práctica común proporcionarle a nuestro training set un aumento de datos y de los ejemplos de estas posibles variantes, sin embargo, obtenemos un aprendizaje mnemotécnico en nuestra red (con el crecimiento computacional vinculado a la mayor cantidad de datos) en lugar de tener un modelo capaz de generalizar bien y que distinga cada tipo de situacion.

En los últimos años, las investigaciones en el campo de computer vison (en lo que se refiere al aprendizaje profundo) se centró en cómo aumentar la profundidad de una red, agregando más capas (capas) para lograr un mayor grado de abstracción (comenzando desde las primeras capas convolucionales capaces de extraer formas pequeñas, ángulos o intensidad de color, vamos paso a paso combinando características simples en diseños cada vez más complejos)

Para hacer esto, tenemos que mantener bajo control el número de parámetros (y los tiempos computacionales) usamos un operador, común en todas las redes profundas, osea un pooling (para ser precisos, la versión llamada max-pooling) que nos permite que reduzca el número de parámetros reduciendo progresivamente el componente espacial seleccionando los valores más altos pero perdiendo la información espacial relacionada con las características extraídas.

 

1

 

Por lo tanto, la investigación sobre la arquitectura de las redes neuronales se centra progresivamente en el objetivo de aprender a generalizar mejor en lugar de proporcionar datos cada vez más procesados. Se realizó un primer paso con las redes neuronales capsulares, donde nuestro objetivo es obtener una Equivariancia (invarianza de las rototraslaciones) que reemplace al operador de pooling con una nueva estructura denominada: Dynamic Routing

  

Introduccion

Una cápsula es un grupo de neuronas. La actividad de un vector de una cápsula representa los parámetros de instanciación cuando un objeto (o parte de él) viene detectado por la red. La longitud de este vector representa la probabilidad de existencia de la clase dada, mientras que la orientación del vector codifica información espacial (por ejemplo, rotaciones y traducciones) dentro de una matriz de posa.

Matriz de Posa: es una herramienta utilizada en la representación gráfica donde la construcción de una imagen parte de una representación jerárquica de formas geométricas. En nuestro caso, el objetivo resulta ser un objetivo un tanto opuesto; deconstruir una imagen en sus componentes básicos de la cual vamos a guardar la posición relativa en referencia a las otras características

 

2.jpg

Quando una capsula al livello inferiore si attiva produce una predizione al possibile nodo di appartenenza alle capsule di livello superiore attraverso una matrice di trasformazione. Se una capsula di alto livello riceve sufficienti predizioni di appartenenza diviene attiva. Questo processo, chiamato dynamic routing, permette di sostituire il max pooling attraverso una selezione “intelligente” delle features da mantenere durante la fase di allenamento.

 

3

Clasificado la cara solo la figura de la izquierda

 

Arquitectura

 

La principal diferencia en las redes capsulares, por lo tanto, consiste en una arquitectura no profunda.

4

 Vamos Analizar las capas principales:

  • La primera capa convolucional (256 kernels, 9×9, stride igual a uno, activación ReLu)

En la primera capa convolucional vamos a convertir la intensidad de los píxeles en características de bajo nivel, no nos importa mantener la posición espacial relativa; de hecho, queremos utilizar todas esas propiedades importantes par acompartir parámetros útiles para reducir los tiempos computacionales.

Il secondo strato dunque riceve in input le features estratte tramite convoluzione:

  • PrimaryCaps consiste en dos capas ocultas

La primera capa corresponde al proceso de rendering el cual lo hemos descrito antes.

La segunda capa, por el contrario, es convolucional (32 cápsulas 8 dimensionales) donde cada cápsula representa una característica extraída, por lo tanto, a través de una convolución de 9×9 kernels y un ritmo igual a dos.

El output de PrimaryCaps consiste por lo tanto, en cápsulas de 32x6x6 8 dimensiones.

  • DigitCaps

 

La última capa por reproducir en forma vectorial h FC-Layer, es decir, vamos a reducir el número de neuronas (en este caso de cápsulas) para obtener una para cada clase del objetivo

 

Resumiendo las principales innovaciones:

  • Reemplazar las neuronas con las cápsulas
  • Reemplazo de max-pooling con dynamic routing
  • Nueva función de activación
  • Arquitectura no profunda

 

Función de activación

Como se introdujo anteriormente, queremos que la actividad vectorial producida por una cápsula represente la probabilidad de existencia de la data feature . Entonces, necesitamos una nueva función de activación que ya no funcione con escalares sino con vectores:

.

La siguiente función, llamada“squashing” no hace nada más que normalizar en nuestro vector entre cero y uno sin modificar la orientación del mismo vector.

Esto nos permite no solo Equivariance sino, en el caso de la detección de rostros, por ejemplo, podemos saber si y cuántos grados gira la cara.

5

Dynamic Routing

Dynamic Routing no es solo un max-pooling que seleziona el número de conexiones de una manera más inteligente, nos permite preservar, como se describió anteriormente, la “jerarquía entre las partes”El Dynamic Routing quindi es un proceso iterativo, en la fase directa, que conecta cápsulas con actividades  similares.

 

2.jpg 1

En cada iteración cada cápsula produce una matriz de multiplicación con la salida de las cápsulas anteriores seleccionando solo aquellos con mayor producto escalar y orientación similar, analizando:

 

5 1

 

1)  Cápsulas en el nivel l y su salida  , r número de iteraciones de routing

2)  coeficiente temporal necesario para la iteración inicializada a cero

4)   Es pesado para cápsulas de “bajo nivel”, el uso del softmax para obtener un escalar no negativo con suma a uno. La primera iteración     la misma para todas las cápsulas que inician con

5) Para cada cápsula de “alto nivel”, calculamos una combinación lineal de los datos de entrada pesados con los coeficientes  , es decir, vamos a sumarlos y redimensionarlos

6) Aplicamos la función squash para “normalizar” a 1 y preservar la orientación del vector

 

 

Entrenamiento de una red capsular

Una vez fijado el forward pass a través del dynamic routing, vamos a entrenar nuestra red a través de una función de doble pérdida.

  • La primera parte se entrena a traves de una backpropagation como en las clasicas CNN , entonces entrenemos los siguientes pesos  para maximizar la norma de la cápsula  relativa a la de clase objetivo  ()
  • Otra versión de la red usa un MLP (como Autoencoding) para reconstruir la imagen de entrad

Nuestra función de pérdida será dada por Loss Funcion =  + p

Donde el término p no es más que un término de penalización para no afectar excesivamente a la segunda parte

 

2.jpg 2

 

Esta función de autocodificación es posible porque dentro de cada capsula final (una por cada clase del objetivo) toda la información está codificada para reconstruir la imagen. Entonces podemos crear una especie de función discriminativa que compare los datos de entrada con el target reconstruido usando la información de la matriz de posa.

 

Accuratezze raggiunte

1 1

 

Además de la precisión clásica, es interesante evaluar las propiedades intrínsecas de este modelo

Parametros CNN: 35.4 M (Deep)

Parametros Capsnet (8.2 M)

El número de parametros resulta significativamente más bajo debido a la menor cantidad de datos. Pero difiere mucho del large-dataset de gran tamaño en cuanto, el mecanismo aún no está optimizado

 

Resistencia a las transformaciones relacionadas:

CNN 66%

CapsuleNet 79%

 

Alta capacidad discriminatoria en objetos superpuestos:

 

2.jpg 3

Gracias a su capacidad de reconstrucción, no solo podemos clasificar sino segmentar objetos superpuestos (uno de los grandes límites de las redes neuronales convolucionales)

 

Los paradigmas en el aprender del aprendizaje automático

Autor: Matteo Alberti

Traductor: Paula Vidal

 

 

Tradicionalmente tenemos tres tipos diferentes de aprendizaje en el aprendizaje automático:

  • Aprendizaje supervisado
  • Aprendizaje no supervisado
  • Aprendizaje de refuerzo

 

Aprendizaje supervisado

El aprendizaje supervisado tiene como objetivo inferir una función dada de los datos de entrenamiento.

Estos datos consisten en un par que esta formado por un vector de entrada y un valor de salida deseado.

Podemos tener dos diferentes situaciones:

 

  • Clasificación: cuando la variable de salida deseada es categórica (cualitativa nominal o ordinal)

Un ejemplo típico en el campo del marketing puede ser clasificar a los clientes buenos / malos, en el campo médico para predecir a partir de una radiografía la presencia o ausencia de una enfermedad viendo los síntomas.

  • Regresión: cuando la variable de salida deseada es cuantitativa

Problema típico de las estadísticas clásicas en el que dado un conjunto de variables queremos ir y predecir el valor de nuestro objeto variable del análisis

L’idea di base è quella di trovare un insieme di pesi che siano in grado di predire correttamente l’output desiderato dato qualsiasi valore di input dei dati, generalizzando da dati di apprendimento a situazioni differenti.

La idea básica es encontrar un conjunto de ponderaciones que puedan predecir correctamente el resultado deseado dando cualquier valor de entrada de datos, generando desde datos de aprendizaje hasta situaciones diferentes.

Los ejemplos típicos de los algoritmos para el aprendizaje supervisado son:

  • Regresión lineal, árboles de decisión, .. para problemas de regresión
  • Logística, árboles de decisión, ANN para problemas de clasificación

 

1 2

 

Aprendizaje no supervisado

En el aprendizaje no supervisado, solo tenemos datos de entrada sin ningún resultado deseado. El objetivo es modelar la distribución de datos subyacente, por ejemplo, para preservar la geometría de los datos locales, reduciendo el número de dimensiones para realizar análisis adicionales o reduciendo a las dos dimensiones individuales, reduciéndonos a los métodos gráficos.

Los algoritmos de aprendizaje no supervisados pueden dividirse en tres situaciones diferentes:

 

 

Los algoritmos de aprendizaje no supervisados pueden dividirse en tres situaciones diferentes:

  • Agrupación: el objetivo es descubrir agrupaciones en los datos
  • Análisis de asociaciones: queremos ir y descubrir las reglas que mejor describen la mayor parte de los datos posibles
  • Estimación cuantil

 

Ejemplos comunes de aprendizaje no supervisado son:

  • Algoritmo de k-promedios
  • Algoritmos a priori para problemas de análisis de asociación
  • Análisis de los componentes principales

 

2.jpg 4

 

Aprendizaje semi-supervisado

En el aprendizaje semi-supervisado, solo una parte de la información está presente, por lo que estamos en un caso en el límite entre los supervisados y los no supervisados.

Un ejemplo típico puede ser el reconocimiento de objetos a partir de imágenes

 

Apprendimento per Rinforzo:

L’apprendimento per Rinforzo pone come obiettivo come classificare differenti situazioni al fine di intraprendere un’azione.

Il principale campo di applicazione consiste nell’applicazione alla robotica dove, il nostro agente è posizionato all’interno di un ambiente (environment) ed in ogni step possiamo ricevere una ricompensa data da un’azione positiva. Un esempio comune sono simulatori e bot nei videogiochi

 

Aprendizaje de refuerzo:

El aprendizaje de reforzar tiene como objetivo clasificar diferentes situaciones para tomar medidas.

El principal campo de aplicación es la aplicación a la robótica, donde nuestro agente se posiciona dentro de un entorno (entorno) y en cada paso podemos recibir una recompensa dada por una acción positiva. Un ejemplo común son simuladores y bots en videojuegos.

 

3 1

3 1

Introducción al autoencoder

Autor:Nathan Hubens

Linkedind: https://www.linkedin.com/in/nathan-hubens

Tradutor: Paula Vidal

 

 

Los autoencoders son redes neuronales con el objetivo de generar nuevos datos primero comprimiendo la entrada en un espacio de variables latentes y luego reconstruyendo la salida en base a la información adquirida. Este tipo de red consta de dos partes:

  1. Encoder: la parte de la red que comprime la entrada en un espacio de variables latentes y que puede representarse mediante la función de codificación h = f (x).
  2. Decoder: la parte que trata de reconstruir la entrada en base a la información recolectada previamente. Se representa mediante la función de decodificación r = g (h).

1 3

Arquitectura de un autoencoder.

 

El autoencoder se puede describir con la siguiente función d (f (x)) = r  donde r es similar a la entrada original de x.

¿Por qué copiar la entrada en la salida?

Lo que esperamos es que, cuando entrenamos un autoencoder y copiamos la entrada, el espacio de variables latentes h pueda tomar características útiles para nosotros.

Esto se puede lograr imponiendo límites a la acción de codificación, forzando el espacio h que sea de menores  dimensiones que x. En este caso, el autoencoder viene llamado undercomplete. Al entrenar el espacio undercomplete, traemos el autoencoder que capturar las características más relevantes de los datos de entrenamiento. Si no les damos suficientes restricciones, la red se limita a la tarea de copiar la entrada en la salida, sin individuar ninguna información útil sobre la distribución de datos. Esto puede suceder incluso cuando el tamaño del subespacio latente tiene el mismo tamaño que el espacio inicial; en el caso cuando tenemos un caso de autoencoder overcomplete, significa que  el tamaño del espacio de variables latentes es mayor que las entradas. En estos casos, incluso con  simples encoder y decoder lineales, podemos copiar la entrada en la salida sin aprender nada sobre los datos.

Idealmente, es posible entrenar con éxito cualquier arquitectura basada en el autoencoder eligiendo adecuadamente los parámetros y la capacidad de cada encoder-decoder en función de la complejidad de los datos a modelar.

 

El uso de los autoencoder

Hasta la fecha, la reducción de ruido y la reducción de dimensionalidad para la visualización de datos se consideran las aplicaciones más interesantes de autoencoders. Con el ajuste apropiado de

 

Con la configuración apropiada de la dimensionalidad y las restricciones relacionadas en la dispersión de los datos, a través del autoencoder es posible obtener proyecciones en subespacios de mayor interés en comparación con métodos lineales como PCA.

Los autoencoders se entrenan automáticamente a través de datos de muestra. Esto significa que es fácil entrenar la red para tener un buen rendimiento en tipos similares de entrada, sin la necesidad de generalizar. Es decir, solo la compresión realizada en datos similares a los utilizados en el conjunto de entrenamiento tendrá buenos resultados, pero si se realiza en diferentes datos no será muy efectiva. Otras técnicas de compresión como JPEG serán más capaces de realizar esta función.

 

Estas redes neuronales están capacitadas para conservar la mayor cantidad de información posible cuando se insertan en el encoder y luego en el decoder, pero también para que las nuevas representaciones adquieran diferentes tipos de propiedades. Se describen cuatro tipos de autoencoders , es por esto crearemos un ejemplo para cada uno de ellos utilizandoòps en framework Keras y en el dataset MNIST.

 

Tipos de autoencoder

En este artículo, enumeramos cuatro:

  1. Vanilla autoencoder
  2. Autoencoder multicapa
  3. Autoencoder convolucional
  4. Autoencoder regularizado

Vanila autoencoder

Es la forma más simple, caracterizada por una red de tres capas, es decir, una red neuronal con una sola capa oculta. La entrada y la salida son las mismas y, en nuestro caso, aprendemos cómo reconstruir la entrada mediante el uso del optimizador Adam , como función de pérdida, la desviación mínima del cuadrado.

En esta tipología estamos en el caso de encoder undercomplete donde la capa oculta, con un tamaño igual a 64, es más pequeña que la de la entrada (784), obtenida de la siguiente fórmula 28x28x1. Esta restricción fuerza a la red neuronal a aprender de una representación de datos comprimida.

 

input_size = 784
hidden_size = 64
output_size = 784

x = Input(shape=(input_size,))

# Encoder
h = Dense(hidden_size, activation='relu')(x)

# Decoder
r = Dense(output_size, activation='sigmoid')(h)

autoencoder = Model(input=x, output=r)
autoencoder.compile(optimizer='adam', loss='mse')

 

Autoencoder multicapa

Si solo una capa oculta no es suficiente, podemos extender el autoencoder a lo largo de la dimensión de profundidad. Nuestra implementación ahora usa tres capas ocultas para una mejor generalización, pero también tendremos que hacer que la red sea simétrica utilizando la capa intermedia.

input_size = 784
hidden_size = 128
code_size = 64

x = Input(shape=(input_size,))

# Encoder
hidden_1 = Dense(hidden_size, activation='relu')(x)
h = Dense(code_size, activation='relu')(hidden_1)

# Decoder
hidden_2 = Dense(hidden_size, activation='relu')(h)
r = Dense(input_size, activation='sigmoid')(hidden_2)

autoencoder = Model(input=x, output=r)
autoencoder.compile(optimizer='adam', loss='mse')

Autoencoder convolucional

Surge una pregunta: ¿podrían usarse autoencoders con convoluciones en lugar de capas conectadas por completo?

Y la respuesta es sí. El principio es el mismo, pero se usan vectores tridimensionales en lugar de vectores unidimensionales. La imagen de entrada se muestrea para obtener una representación latente, es decir, una reducción dimensional, lo que obliga al autoencoder a aprender de una versión comprimida de la imagen.

x = Input(shape=(28, 28,1)) 

# Encoder
conv1_1 = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
pool1 = MaxPooling2D((2, 2), padding='same')(conv1_1)
conv1_2 = Conv2D(8, (3, 3), activation='relu', padding='same')(pool1)
pool2 = MaxPooling2D((2, 2), padding='same')(conv1_2)
conv1_3 = Conv2D(8, (3, 3), activation='relu', padding='same')(pool2)
h = MaxPooling2D((2, 2), padding='same')(conv1_3)


# Decoder
conv2_1 = Conv2D(8, (3, 3), activation='relu', padding='same')(h)
up1 = UpSampling2D((2, 2))(conv2_1)
conv2_2 = Conv2D(8, (3, 3), activation='relu', padding='same')(up1)
up2 = UpSampling2D((2, 2))(conv2_2)
conv2_3 = Conv2D(16, (3, 3), activation='relu')(up2)
up3 = UpSampling2D((2, 2))(conv2_3)
r = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(up3)

autoencoder = Model(input=x, output=r)
autoencoder.compile(optimizer='adam', loss='mse')

Autoencoder regularizado

Existen otros métodos mediante los cuales podemos restringir la reconstrucción del autoencoder como una alternativa a la imposición de una dimensionalidad reducida de las capas ocultas. En lugar de limitar la capacidad del modelo manteniendo una arquitectura poco profunda del encoder y decoder , así como una reducción forzada, los autoencoders regularizados utilizan una función de pérdida para alentar al modelo a asumir propiedades que van más allá de la simple capacidad de copiar la entrada en la salida . En la práctica, encontramos dos tipos diferentes: autoencoder disperso y Denoising autoencoder.

  1. Autoencoder escaso: generalmente se utilizan para la clasificación. Al entrenar un autoencoder, las unidades ocultas en la capa intermedia se activan con demasiada frecuencia. Para evitar esto, debemos reducir su tasa de activación limitándola a una fracción de los datos de entrenamiento. Esta restricción se denomina restricción de dispersión, porque cada unidad se activa solo mediante un tipo de entrada predefinido.
input_size = 784
hidden_size = 64
output_size = 784

x = Input(shape=(input_size,))

# Encoder
h = Dense(hidden_size, activation='relu', activity_regularizer=regularizers.l1(10e-5))(x)

# Decoder
r = Dense(output_size, activation='sigmoid')(h)

autoencoder = Model(input=x, output=r)
autoencoder.compile(optimizer='adam', loss='mse')

Otro cambio que podemos hacer durante la fase de reconstrucción es agregar un término de regularización a nuestra función de pérdida: por ejemplo, un regulador de tipo 1 introduce una penalización en la función de pérdida, que actúa durante la fase de optimización. Como resultado, tendremos menos activaciones que las de un autoencoder de Vanilla

2.Denoising autoencoder:En lugar de agregar penalización a la función de pérdida, podemos hacer que el objeto cambie, agregando ruido a la imagen de entrada y haciendo que el autoencoder aprenda a eliminarlo de manera autónoma. Esto significa que la red extraerá solo la información más relevante y aprenderá de una representación sólida de los datos

x = Input(shape=(28, 28, 1))

# Encoder
conv1_1 = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
pool1 = MaxPooling2D((2, 2), padding='same')(conv1_1)
conv1_2 = Conv2D(32, (3, 3), activation='relu', padding='same')(pool1)
h = MaxPooling2D((2, 2), padding='same')(conv1_2)


# Decoder
conv2_1 = Conv2D(32, (3, 3), activation='relu', padding='same')(h)
up1 = UpSampling2D((2, 2))(conv2_1)
conv2_2 = Conv2D(32, (3, 3), activation='relu', padding='same')(up1)
up2 = UpSampling2D((2, 2))(conv2_2)
r = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(up2)

autoencoder = Model(input=x, output=r)
autoencoder.compile(optimizer='adam', loss='mse')