- En este repositorio se encuentran los códigos propuestos en la Práctica 4 de la asignatura de Programación de GPUs y Aceleradores
- Para poner a punto el taller se recomienda seguir los pasos de la sección Setup del lab
- Los códigos que vamos a trabajar están disponibles en la sección "Ejemplos".
- El google-colab permite lanzar cuadernos de Jupyter para facilitar el despliegue de un entrenamiento de una red neuronal
- Unicamente hay que asegurarse que el entorno tiene seleccionada una GPU
- RunTime->Change runTime type: GPU selected
- Todo el material está disponible en el repositorio github
- Puede descargarse fácilmente clonando el repositorio ejecutando en un terminal el comando
git clone https://github.com/garsanca/GPUs
- Puede descargarse fácilmente clonando el repositorio ejecutando en un terminal el comando
-
En python se puede importar la librería de tensorflow para aprendizaje automático basado en redes neuronales y aprendizaje profundo
-
De igual manera la biblioteca keras permite el diseño e implementación de Redes tipo CNN en poco tiempo
-
El ejemplo que se ilustra en el cuaderno de Jupyter cifar10 recoje el proceso de:
- Descarga del dataset
- Preparación del dataset al formato apropiado
- Creación de un modelo a entrenar (red CNN)
- Entrenamiento
- Evaluación del modelo (métricas de error)
- Inferencia del modelo entrenado: predicción
-
Dicho cuaderno además guía la utilización de una red neuronal "clásica" para clasificación de imágenes como MobileNet
- En el cuaderno de Jupyter ejercicio_mnist se propone implementar una red neuronal para clasificar números escritos a mano cuyo dataset se conoce con el nombre de MNIST example
- En el cuaderno de Jupyter ejercicio_cifar se propone realizar varios ejercicios y evaluar su precisión para otros modelos CNN:
- VGG19
- MobileNet
- ResNet50
- Además se propone escoger el dataset de cifar100 que clasifica 100 tipos de clases para los modelos considerados