Generando caras con TensorFlow

Introducción a deep learning y las redes neuronales, a traves de un demo de una red DCGAN que aprende a generar rostros.

Transcript

1. GENERANDO CARAS CON TENSORFLOW Gabriela Oropeza
2. Agenda • ¿Qué es deep learning (aprendizaje profundo)? • Algunos casos de uso actuales • ¿Qué son las redes neuronales? • Tipos de redes neuronales • Redes GAN • Demo: Generando caras • Recursos gratis para aprender y experimentar
3. ¿Qué es “deep learning”? • Algoritmos para el aprendizaje automático (machine learning) donde se utilizan modelos de transformaciones no lineales para encontrar abstracciones o patrones en los datos a través de ejemplos. • Existen 3 grandes paradigmas de aprendizaje: supervisado, no supervisado y por refuerzo. • En 1958, Frank Rosenblatt creó el perceptrón, un algoritmo de reconocimiento de patrones basado en una red de aprendizaje de computadora que utilizaba adición y sustracción simples.
4. Aplicaciones de Deep Learning Predicción de terremotos Traducción y transformación entre audio-texto Detección de enfermedades Asistentes de voz
5. Redes neuronales “Las redes neuronales son un magnífico paradigma de programación, inspirado en la biología que permite al computador aprender a través de la observación de datos.” - Michael Nielsen 1 2 5 25 50 100 4 7 16 76 151 X • ¿Como resolverian X?
6. Redes neuronales funcion de perdida -> mean squared error función de activación -> softmax, RELU, sigmoid función de optimización> stochastic gradient descent
7. Codeando una red neuronal en Tensorflow
8. Redes neuronales profundas Una red neuronal profunda (DNN) es una red neuronal artificial (ANN) con múltiples capas entre las capas de entrada y salida. El DNN encuentra la manipulación matemática correcta para convertir la entrada en la salida, ya sea una relación lineal o no lineal. La red se mueve a través de las capas calculando la probabilidad de cada salida.
9. Pasos para entrenar una red neuronal 5 Vestibulum congue tem pus Realizar predicciones con datos nuevos Utilizar en m undo real 4 Vestibulum congue tem pus Iniciar con parte de los datos y evaluar Ajustar parám etros y red de ser necesario Entrenar y evaluar con el set de validación 3 Vestibulum congue tem pus Escoger la arquitectura, cantidad de capas, funciones de optim ización y activación Escoger los parám etros de entrenar 5 Validar el desem peño de la red 4 Entrenar nuestra red 3 Crear nuestra red neural Vestibulum congue tem pus 2 Preparar los datos Lim pieza de los datos Transform ar los datos (z-score) Dividir en sets para entrenar y validar 2 1 Recolectar los datos Utilizar sets de datos públicos Recolectar y digitalizar datos propios Analizar la calidad de los datos
10. Arquitecturas de redes neuronales profundas • Redes full conectadas (Fully Connected) • Redes recurrentes (RNN) • Redes convolucionales (CNN) • Redes generativas antagónicas (GAN)
11. Redes generativas antagónicas (GAN) • Fueron presentadas por Ian Goodfellow et al. en 2014. • Consiste en un sistema de dos redes neuronales que compiten mutuamente en una especie de juego de suma cero. • Una red genera los candidatos y otra los evalúa. • La red generativa aprende a asignar elementos de un espacio latente a una distribución de datos determinada, mientras la red discriminativa diferencia entre elementos de la distribución de datos originales y los candidatos producidos por el generador. “Las GAN son una clase de modelos generativos profundos que tienen como objetivo aprender una distribución objetivo de una manera no supervisada.” - Kurach K., Lucic M., Zhai X., et al. 2018
12. Demo Tensorflow V2 Tensorflow V1
13. Generando caras a través del tiempo https://thispersondoesnotexist.com/
14. Redes generativas antagónicas (GAN)
15. Redes Convolucionales (CNN) • Es una clase de DNN, comúnmente aplicada al análisis de imágenes visuales. • Las CNN son simplemente redes neuronales que utilizan la convolución en lugar de la multiplicación matricial general en al menos una de sus capas.
16. Redes Convolucionales (CNN) • Las capas de CNN: ◦ convolucionales ◦ activación RELU ◦ agrupación (pooling) ◦ full conectadas ◦ normalización
17. OK...
18. Proyectos en codelab https://research.google.com/ seedbank/
19. Recursos de aprendizaje gratuito • Tutoriales en la documentación de TensorFlow ◦ https://www.tensorflow.org/tutorials • Cursos en Udacity ◦ https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187 ◦ https://www.udacity.com/course/intro-to-machine-learning--ud120 • Clases de Stanford en youtube: ◦ https://www.youtube.com/user/stanfordonline/playlists • Especializacion en Deep Learning Coursera & deeplearning.ai ◦ https://www.coursera.org/specializations/deep-learning
20. Gracias!