logongas

Esta página es de solo lectura. Puedes ver la fuente pero no puedes cambiarla. Pregunta a tu administrador si crees que esto es incorrecto.
====== 1. Introducción a las redes neuronales ======
Es este tema vamos a ver un ejemplo concreto de una red neuronal.

===== Definición del problema =====
Vamos a ver un ejemplo muy sencillo de red neuronal que averigüe el tipo de una flor. Para ello vamos a usar un conjunto de datos que se llaman el [[https://es.wikipedia.org/wiki/Conjunto_de_datos_flor_iris|Conjunto de datos flor iris]]. 

Para ello vamos a usar las siguientes variables de entrada:
  * El largo de su sépalo: Medido en cm
  * El largo de su pétalo: Medido en cm

{{:clase:iabd:pia:1eval:flor.jpg?400|}} 


Este conjunto de datos pretende distinguir entre los siguientes dos tipos de flores:
  * Setosa
  * Versicolor

{{:clase:iabd:pia:1eval:tipos_flores.png|}}

Veamos ahora algunos datos:

|  **X**  ||  **Y**  |
|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Tipo de Flor**  | 
|  5.1   |  1.4   |  Setosa  |
|  4.9   |  1.4   |  Setosa  |
|  4.7   |  1.3   |  Setosa  |
|  4.6   |  1.5   |  Setosa  |
|  5.0   |  1.4   |  Setosa  |
|  5.4   |  1.7   |  Setosa  |
|  5.1   |  1.9   |  Setosa  |
|  4.8   |  1.4   |  Setosa  |
|  5.3   |  1.5   |  Setosa  |
|  5.0   |  1.4   |  Setosa  |
|  7.0   |  4.7   |  Versicolor  |
|  6.4   |  4.5   |  Versicolor  |
|  6.9   |  4.9   |  Versicolor  |
|  5.5   |  4.0   |  Versicolor  |
|  6.2   |  4.5   |  Versicolor  |
|  5.6   |  3.9   |  Versicolor  |
|  5.9   |  4.8   |  Versicolor  |
|  6.1   |  4.0   |  Versicolor  |
|  6.3   |  4.9   |  Versicolor  |
|  6.3   |  4.4   |  Versicolor  |
|  5.6   |  4.1   |  Versicolor  |
|  5.7   |  4.2   |  Versicolor  |
|  5.7   |  4.2   |  Versicolor  |
|  6.2   |  4.3   |  Versicolor  |
|  5.1   |  3.0   |  Versicolor  |


<note important>
Realmente el Conjunto de datos flor iris tiene 4 datos de entrada:
  * El largo de su sépalo
  * El largo de su pétalo
  * El ancho de su sépalo
  * El ancho de su pétalo

Y distingue entre 3 tipos de flores:
  * Setosa
  * Versicolor
  * Virginica

Pero por simplificar hemos usado solo el largo del sépalo y pétalo y dos tipos de flores.
</note>

La red neuronal lo único que va a hacer es "aprender" a crear una función matemática que dado el largo del sépalo y el largo del pétalo calcule el tipo de flor:

$$ tipo \: flor=f(largo \: sépalo,largo \: pétalo) $$

<note tip>Debido a que las redes neuronales solo trabajan con números usaremos los siguientes números para los tipos de flor:
  * **0**:Setosa
  * **1**:Versicolor
</note>

===== La red neuronal =====
Vamos a hacer la siguiente red neuronal:

{{:clase:iabd:pia:1eval:ejemplo_primera_red_neuronal.svg?800|}}


Esta red neuronal, consta de una serie de neuronas (ya contaremos mas adelante que es una neurona) que se pasan valores de unas a otras. Son cada uno de los círculos. Las neuronas se organiza en capas:
  * Capa de entrada (Círculos amarillos): Es una única capa por donde entran los datos de entrada. Es decir los valores del largo del sépalo y el largo del pétalo. Por lo tanto en este caso debe haber **2 neuronas** , una por cada valor de entrada.
  * Capas ocultas (Círculos verdes): Son varias capas, las cuales calculan de que tipo es cada flor. La primera capa oculta consta de **6 neuronas**. La segunda capa oculta consta de **12 neuronas** . La última capa oculta consta de **6 neuronas**.
  * Capa de salida (Círculos rojos): Es una única capa que es la que genera el resultado de la red neuronal. Como la red genera un único número la capa tiene solo **1 neurona**.

La siguiente imagen es una animación de una red neuronal que calcula si una foto es un perro:

{{https://logongas.es/lib/exe/fetch.php?media=clase:iabd:pia:1eval:red_neuronal_animada.gif?600&nocache}}
===== Google Colaboratory =====
[[https://colab.research.google.com/|Google Colaboratory]] es un IDE para programar en Python. El formato del IDE sige lo que se llaman "Jupyter Notebooks" que son ficheros con extensión "ipynb". Estos ficheros se pueden abrir desde VS Code u otros IDEs.

Ves a la página de [[https://colab.research.google.com/|Google Colaboratory]], pincha en "Nuevo Cuaderno" y ya puedes empezar a programar en Python.


Una explicación completa de Google Colab la puedes ver en video [[https://www.youtube.com/watch?v=8VFYs3Ot_aA|Introducción a Google Colab, una noble y completa guía]].

<note tip>En otro tema veremos como usar Jupyter Notebooks en VS Code.</note>


===== Código en Python =====
Veamos ahora el código python de la red neuronal.

El código completo es el siguiente:


<sxh python>
import numpy as np
import pandas as pd
import tensorflow as tf
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import load_iris
from matplotlib.colors import LightSource
import random

iris=load_iris()

sepal_length=iris.data[0:99,0]
petal_length=iris.data[0:99,2]
flower_type=iris.target[0:99]

x=np.column_stack((sepal_length,petal_length))
y=flower_type


np.random.seed(5)
tf.random.set_seed(5)
random.seed(5)  

model=Sequential()
model.add(Dense(6, activation='relu',input_dim=2))
model.add(Dense(12, activation='relu'))
model.add(Dense(6, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='mean_squared_error')


model.fit(x, y,epochs=40) 


print(model.predict([[4.9,1.4]]))
print(model.predict([[6.3,4.9]]))

</sxh>

Ahora vamos a ver todo el código paso a paso.

<sxh python>
import numpy as np
import pandas as pd
import tensorflow as tf
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import load_iris
from matplotlib.colors import LightSource
</sxh>

Estas líneas simplemente hacer los "import" de varias cosas que vamos a usar. 

<sxh python>
iris=load_iris()

sepal_length=iris.data[0:99,0]
petal_length=iris.data[0:99,2]
flower_type=iris.target[0:99]

x=np.column_stack((sepal_length,petal_length))
y=flower_type
</sxh>

Hemos cargado los datos y hemos creado 3 arrays:
  * ''sepal_length'': Con la longitud de cada sépalo que es la columna 0 de la matriz ''data''
  * ''petal_length'': Con la longitud de cada pétalo que es la columna 2 de la matriz ''data''
  * ''flower_type'': Con el tipo de flor (0 o 1)

Luego hemos creado una matriz juntando la longitud de cada sépalo y la longitud de cada pétalo, es lo que llamaremos ''x'' y luego hemos creado la ''y'' que es el tipo de flor.

Es decir que vamos a entrenar a red neuronal con los valores de ''x'' e ''y'' para que cree la función matemática capaz de calcular el tipo de flor en función de las longitudes.


<sxh python>
np.random.seed(5)
tf.random.set_seed(5)
random.seed(5)  
</sxh>

Para a siempre nos salgan los mismos resultados, hemos inicializado los generadores de números aleatorios.


<sxh python>
model=Sequential()
model.add(Dense(6, activation='relu',input_dim=2))
model.add(Dense(12, activation='relu'))
model.add(Dense(6, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='mean_squared_error')
</sxh>

Hemos creado el la estructura de la red neuronal. Excepto la capa de entrada, cada capa se especifica por un objeto de tipo [[https://keras.io/api/layers/core_layers/dense/|Dense]] y el primer número especifica el Nº de neuronas de esa capa. 

En la primera capa también hemos indicado la propiedad ''input_dim'' con el valor ''2'' que indica el Nº de valores de entrada , es decir que estamos diciendo el tamaño de la capa de entrada.

<note tip>Comprueba que los tamaños de cada capa coinciden con los del esquema de la red y no te preocupes ahora por el Nº de capas o del Nº de neuronas por capa o de que es la activación (función de activación) o la propiedad ''loss''.</note>

Para acabar compilamos el modelo con el método [[https://keras.io/api/models/model_training_apis/#compile-method|compile]].

<sxh python>
model.fit(x, y,epochs=40) 
</sxh>

Ahora vemos a entrenar con el método [[https://keras.io/api/models/model_training_apis/#fit-method|fit]] la red neuronal para que ella internamente genere la función matemática. Fíjate como le pasamos la matriz con los datos de entrada ''x'' y el vector con el resultado que debe dar ''y''.

Por último le decimos cuantas veces tiene que entrenar la red con el parámetro ''epochs''. Cuanto más lo entrenemos , en general mejor será la red (Esta frase tiene muchos matices pero ya lo iremos viendo a lo largo del curso).


<sxh base>
Epoch 1/40
4/4 [==============================] - 1s 9ms/step - loss: 0.2036
Epoch 2/40
4/4 [==============================] - 0s 5ms/step - loss: 0.1879
Epoch 3/40
4/4 [==============================] - 0s 5ms/step - loss: 0.1885
Epoch 4/40
4/4 [==============================] - 0s 3ms/step - loss: 0.1734
Epoch 5/40
4/4 [==============================] - 0s 7ms/step - loss: 0.1743

................


Epoch 35/40
4/4 [==============================] - 0s 3ms/step - loss: 0.0110
Epoch 36/40
4/4 [==============================] - 0s 3ms/step - loss: 0.0101
Epoch 37/40
4/4 [==============================] - 0s 3ms/step - loss: 0.0085
Epoch 38/40
4/4 [==============================] - 0s 3ms/step - loss: 0.0085
Epoch 39/40
4/4 [==============================] - 0s 2ms/step - loss: 0.0070
Epoch 40/40
4/4 [==============================] - 0s 6ms/step - loss: 0.0066
</sxh>

Ahora vemos el resultado del entrenamiento para cada una de las épocas, fíjate en //loss// , es lo que nos dice como de buena es nuestra red. Cuanto más pequeño sea ese valor, mejor es la red.


<sxh python>
print(model.predict([[4.9,1.4]]))
print(model.predict([[6.3,4.9]]))
</sxh>

Una vez acabar vamos a usar nuestra función matemática con el método [[https://keras.io/api/models/model_training_apis/#predict-method|predict]] con los siguientes valores:

|  **X**  ||  **Y**  |
|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Tipo de Flor**  | 
|  4.9   |  1.4   |  Setosa  |
|  6.3   |  4.9   |  Versicolor  |

<sxh base>
[[0.06094426]]
[[0.9634158]]
</sxh>

Vemos como los resultados no son exactamente **0** o **1** sino número cercanos como el ''0.0609'' o el ''0.9634158'' pero no nos preocupemos, las redes neuronales no suelen dar resultados exactos al 100%.

<note tip>
Para crear redes neuronales de Python existen 3 librerías

  * [[https://www.tensorflow.org/|TensorFlow]]: Es una librería de Google. El problema es que es de muy bajo nivel. Fue de las primeras.

{{:clase:iabd:pia:1eval:logo_tensorflow.png?200|}}

  * [[https://keras.io/|Keras]]: Es un API que está por encima de TensorFlow haciendo que sea muy sencillo crear redes neuronales.

{{:clase:iabd:pia:1eval:logo_keras.png?200|}}

  * [[https://pytorch.org/|Pytorch]]: Es la alternativa a Keras, está hecha por Facebook. Se usa mucho en proyectos de investigación.

{{:clase:iabd:pia:1eval:logo_pytorch.png?200|}}


**Durante el curso vamos a usar Keras y algo de TensorFlow**

</note>


===== Gráficas =====
La mayoría de veces para una mayor comprensión de los datos queremos también ver gráficos de éstos. 

El siguiente código Python muestra la siguiente gráfica con cada una de las flores de los datos.

<sxh python>
figure=plt.figure(figsize = (10, 7))
axes = figure.add_subplot()

scatter=axes.scatter(x=x[:,0], y=x[:,1], c=y, cmap=plt.cm.brg)
figure.colorbar(scatter,ax=axes)
axes.set_xlabel('Largo Sépalo')  
axes.set_ylabel('Largo Pétalo')
</sxh>

{{:clase:iabd:pia:1eval:datos_iris.png|}}


Ahora vamos a hacer una gráfica con el resultado de la red neuronal

<sxh python>
figure=plt.figure(figsize=(8,8))
axes = figure.add_subplot(projection='3d')
 
xt=np.linspace(4,7,100)
yt=np.linspace(1,5.5,100)
xt,yt=np.meshgrid(xt,yt)

xa=xt.reshape(-1)
ya=yt.reshape(-1)
xya=np.column_stack((xa,ya))

za=model.predict([xya])

zt=np.reshape(za,xt.shape)

light_source = LightSource()
facecolors = light_source.shade(zt,plt.cm.brg, blend_mode='soft')
 
surface=axes.plot_surface(xt,yt,zt,facecolors=facecolors)
figure.colorbar(plt.cm.ScalarMappable(cmap=plt.cm.brg),ax=axes, shrink = 0.5)
axes.set_xlabel('Largo sépalo')  
axes.set_ylabel('Largo pétalo')
axes.set_zlabel('Tipo de flor')
</sxh>


{{:clase:iabd:pia:1eval:resultado_red_neuronal_iris.png|}}

Lo que hay que hacer es comparar los datos de las 2 gráficas para si son coherentes entre ellas. Y obviamente lo son

===== Ejercicios =====

==== Ejercicio 1 ====
Usando Google collab haz una red neuronal en python con Keras que obtenga el tipo de flor en función del "Largo Sépalo" y de "Largo Pétalo".


Obtén el resultado de la red neuronal para las siguientes entradas e indica el tipo de flor que ha calcula la red neuronal.

|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal**  |  ** Tipo de Flor(0 o 1)**  |
|  5.4   |  1.7   |    |    |
|  5.5   |  4.0   |    |    |

==== Ejercicio 2 ====
Modifica ahora la red neuronal de forma que:

    * La 1º  capa oculta tenga 4 neuronas en vez de 6
    * La 2º capa oculta tenga 6 neuronas en vez de 12
    * La 3º capa oculta tenga 4 neuronas en vez de 6
    * La 4º capa seguirá teniendo 1 neurona

Usando la web [[http://alexlenail.me/NN-SVG/index.html]] dibuja la red neuronal que acabas de crear


Ahora muestra los resultados

|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal**  |  ** Tipo de Flor(0 o 1)**  |
|  5.4   |  1.7   |    |    |
|  5.5   |  4.0   |    |    |


==== Ejercicio 3 ====
Usando el código de la red original, modifica las siguientes líneas:
<sxh python>
sepal_length=iris.data[0:99,0]
petal_length=iris.data[0:99,2]
flower_type=iris.target[0:99]
</sxh>

de forma que queden así:

<sxh python>
sepal_length=iris.data[:,0]
petal_length=iris.data[:,2]
flower_type=iris.target[:]
</sxh>

Entrena la red con los nuevos datos

Muestra la gráfica con los datos de entrada usando el código:
<sxh python>
figure=plt.figure(figsize = (10, 7))
axes = figure.add_subplot()
 
scatter=axes.scatter(x=x[:,0], y=x[:,1], c=y, cmap=plt.cm.brg)
figure.colorbar(scatter,ax=axes)
axes.set_xlabel('Largo Sépalo')  
axes.set_ylabel('Largo Pétalo')
</sxh>


Ahora verás que hay otro tipo de flor llamado //Virginica//.

Prueba a ver si funciona ahora la red neuronal con el nuevo tipo de flor.

|  **Largo Sépalo**  |  **Largo Pétalo**  |  **Resultado red neuronal**  |  ** Tipo de Flor **  |
|  6.9   |  5.1   |    |    |
|  7.7   |  6.1   |    |    |


==== Ejercicio 4 ====
Piensa al menos 3 problemas que se podrían resolver con una red neuronal similar a la que has usado.

==== Ejercicio 5 ====
Vamos a ver ahora otro conjunto de datos relativo a la detección de cáncer de mama.

Los datos se obtienen de la siguiente forma:

<sxh python>
from sklearn.datasets import load_breast_cancer

breast_cancer=load_breast_cancer()

x=breast_cancer.data
y=breast_cancer.target
</sxh>

Este conjunto de datos tiene 30 variable de entrada, que son las siguentes:
  * mean radius
  * mean texture
  * mean perimeter
  * mean area
  * mean smoothness
  * mean compactness
  * mean concavity
  * mean concave points
  * mean symmetry
  * mean fractal dimension
  * radius error
  * texture error
  * perimeter error
  * area error
  * smoothness error
  * compactness error
  * concavity error
  * concave points error
  * symmetry error
  * fractal dimension error
  * worst radius
  * worst texture
  * worst perimeter
  * worst area
  * worst smoothness
  * worst compactness
  * worst concavity
  * worst concave points
  * worst symmetry
  * worst fractal dimension

Esto datos son relativos a imágenes de núcleos celulares como los siguientes:

{{ :clase:iabd:pia:1eval:nucleos_celulares_cancer.png?direct&400 |}}

Y los histogramas de todos los datos son los siguientes:

{{ :clase:iabd:pia:1eval:breast_cancer_kde.png?direct |}}

Podemos ven en los histogramas que no hay una forma fácil de saber si una célula es o no cancerígena.

<note important>
En vez de incluir todos los datos en la red neuronal , habría que hacer un Análisis exploratorio de datos (EDA) y por ejemplo eliminar las columnas que están relacionadas.
</note>

Imprime el valor de la fila 56 tanto de la ''x'' como de la ''y''.

<sxh>
#Para que los datos no se muestren con notación científica
np.set_printoptions(suppress=True) 

print(x[56],y[56])
</sxh>

Ahora muestra los valores de la ''x'' y la ''y'' para la fila 204.


Crea una red neuronal en las que en cada capa tenga los siguientes números de neuronas:

|  **Nº Capa**  |  **Nº Neuronas**  |
|   1º  |  30   |
|   2º  |  60   |
|   3º  |  100   |
|   4º  |  60   |
|   5º  |  30   |
|   6º  |  10   |
|   7º  |  1   |


Rellena la siguiente tabla y muestrala

|  **Fila Datos**  | **Resultado ''verdadero''**  |  **Resultado red neuronal**  |
|   56  |     |    |
|   204  |     |    |

¿Es una buena red?


Usa hora una red más pequeña de forma que tenga las siguientes capas:

|  **Nº Capa**  |  **Nº Neuronas**  |
|   1º  |  6   |
|   2º  |  12   |
|   3º  |  6   |
|   4º  |  1   |


Rellena la siguiente tabla y muestrala

|  **Fila Datos**  | **Resultado ''verdadero''**  |  **Resultado red neuronal**  |
|   56  |     |    |
|   204  |     |    |

¿Es una buena red?

==== Ejercicio 6 ====
Repite la red pequeña del ejercicio  anterior pero ahora modificando la semilla de los números aleatorios
<sxh>
np.random.seed(5)
tf.random.set_seed(5)
random.seed(5)
</sxh>

Rellena la siguiente tabla y muestrala con una **red con la semilla 6**

|  **Fila Datos**  | **Resultado ''verdadero''**  |  **Resultado red neuronal**  |
|   56  |     |    |
|   204  |     |    |

Rellena la siguiente tabla y muestrala con una **red con la semilla 88**

|  **Fila Datos**  | **Resultado ''verdadero''**  |  **Resultado red neuronal**  |
|   56  |     |    |
|   204  |     |    |
logongas

Herramientas de usuario

Herramientas del sitio

Herramientas de la página
