Red neuronal convolucional en R con Keras

por | Nov 28, 2017 | Inteligencia de negocio, R | 3 Comentarios

Instalación de paquetes

# install.packages("keras")
# devtools::install_github("rstudio/keras")
library(keras)
install_keras()
use_session_with_seed(1,disable_parallel_cpu = FALSE)

Generación del conjunto de entrenamiento

# Cargar de conjunto de entrenamiento de imágenes numéricas
mnist <- dataset_mnist()
x_train <- mnist$train$x
y_train <- mnist$train$y
x_test <- mnist$test$x
y_test <- mnist$test$y
Datos del MNIST

Datos del MNIST

# Cambiar la forma de 28x28 a un vector de 784x1
x_train <- array_reshape(x_train, c(nrow(x_train), 784))
x_test <- array_reshape(x_test, c(nrow(x_test), 784))

# Re-escalar
x_train <- x_train / 255
x_test <- x_test / 255
# Crear las categorías de a que número pertenece cada imagen 0-9
y_train <- to_categorical(y_train, 10)
y_test <- to_categorical(y_test, 10)

 

Definir el modelo

# Definir el modelo
model <- keras_model_sequential() 

# Definir las capas de convolución (dense) y las de polling (dropout)
model %>% 
 layer_dense(units = 256, activation = 'relu', input_shape = c(784)) %>% 
 layer_dropout(rate = 0.4) %>% 
 layer_dense(units = 128, activation = 'relu') %>%
 layer_dropout(rate = 0.3) %>%
 layer_dense(units = 10, activation = 'softmax')
# Visualizar el modelo definido
summary(model)
_____________________________________________________________________
Layer (type)                  Output Shape                Param #             
=====================================================================
dense_8 (Dense)               (None, 256)                 200960              
_____________________________________________________________________
dropout_3 (Dropout)           (None, 256)                 0                   
_____________________________________________________________________
dense_9 (Dense)               (None, 128)                 32896               
_____________________________________________________________________
dropout_4 (Dropout)           (None, 128)                 0                   
_____________________________________________________________________
dense_10 (Dense)              (None, 10)                  1290                
=====================================================================
Total params: 235,146
Trainable params: 235,146
Non-trainable params: 0

 

Compilar el modelo

# Ejecutar la red neuronal
model %>% compile(
 loss = 'categorical_crossentropy',
 optimizer = optimizer_rmsprop(),
 metrics = c('accuracy')
)

 

Entrenar el modelo

fit<- model %>% fit(
 x_train, y_train, 
 epochs = 10, batch_size = 128, 
 validation_split = 0.2
)
plot(fit)
Train on 48000 samples, validate on 12000 samples
Epoch 1/10
48000/48000 [==============================] - 4s 75us/step - loss: 0.4323 - acc: 0.8681 - val_loss: 0.1643 - val_acc: 0.9508
Epoch 2/10
48000/48000 [==============================] - 3s 68us/step - loss: 0.2041 - acc: 0.9401 - val_loss: 0.1234 - val_acc: 0.9635
Epoch 3/10
48000/48000 [==============================] - 3s 67us/step - loss: 0.1534 - acc: 0.9544 - val_loss: 0.1181 - val_acc: 0.9665
Epoch 4/10
48000/48000 [==============================] - 3s 66us/step - loss: 0.1340 - acc: 0.9597 - val_loss: 0.0941 - val_acc: 0.9736
Epoch 5/10
48000/48000 [==============================] - 3s 60us/step - loss: 0.1173 - acc: 0.9657 - val_loss: 0.0973 - val_acc: 0.9720
Epoch 6/10
48000/48000 [==============================] - 3s 64us/step - loss: 0.1040 - acc: 0.9700 - val_loss: 0.0900 - val_acc: 0.9758
Epoch 7/10
48000/48000 [==============================] - 3s 61us/step - loss: 0.0973 - acc: 0.9728 - val_loss: 0.0926 - val_acc: 0.9754
Epoch 8/10
48000/48000 [==============================] - 3s 62us/step - loss: 0.0892 - acc: 0.9731 - val_loss: 0.0930 - val_acc: 0.9765
Epoch 9/10
48000/48000 [==============================] - 3s 62us/step - loss: 0.0849 - acc: 0.9754 - val_loss: 0.0975 - val_acc: 0.9757
Epoch 10/10
48000/48000 [==============================] - 3s 60us/step - loss: 0.0820 - acc: 0.9765 - val_loss: 0.0922 - val_acc: 0.9770

Evolución de predicción y perdidas en función de las épocas en CNN

Evaluar el modelo

# Evaluar el modelo
model %>% evaluate(x_test, y_test)

10000/10000 [==============================] - 0s 49us/step
$loss
[1] 0.07902947

$acc
[1] 0.9787
# Predecir resultados utilizando el modelo generado
model %>% predict_classes(x_test)

[1] 7 2 1 0 4 1 4 9 5 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 3 4 7 2 7 1 2 1 1 7 4 2 3 5 1 2 4 4 6 3 5 5 6 0 4 1 9 5 7 8 9 3 7 4 6 4 3 0 7 0 2 9 ....

3 Comentarios

  1. Walter

    Muy buena guía. Lo ideal es poder llevarlo a un contexto aplicable como el corporativo donde los DS nos toca trabajar en entornos Windows. En mi caso me trabo dado que keras necesita tensor y este necesita python 3.5- El último anaconda es 3.7 con lo cual se pierde la incompatibilidad

    Responder
    • José

      Con R Studio corre sin problemas, así te ahorras el uso de Python y la instalación de anaconda

      Responder
  2. Daniel Alvarez

    Estimado quisiera saber si me puedes ayudar con una duda, tengo una red que realiza una predicción con Keras. En mi caso es un forecasting pero en los resultados tengo una novedad que pareciera que los datos predecidos están desfasados un período.

    Responder

Enviar un comentario

Tu dirección de correo electrónico no será publicada.