#!/usr/bin/env python3 """ Generador del Reporte Académico .docx — Semana 8 Visión por Computador (NRC-8773) ================================================================================== Genera: Oviedo_Alexander_Reporte_RGA_S8_VC.docx Formato: APA 7ª edición (Calibri 11pt, interlineado doble, márgenes 2.54 cm) Extensión: 10-15 cuartillas """ import os import sys # Verificar dependencia try: from docx import Document from docx.shared import Inches, Pt, Cm, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH from docx.enum.table import WD_TABLE_ALIGNMENT from docx.enum.section import WD_ORIENT from docx.oxml.ns import qn from docx.oxml import OxmlElement except ImportError: print("Instalando python-docx...") os.system(f"{sys.executable} -m pip install python-docx") from docx import Document from docx.shared import Inches, Pt, Cm, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH from docx.enum.table import WD_TABLE_ALIGNMENT from docx.enum.section import WD_ORIENT from docx.oxml.ns import qn from docx.oxml import OxmlElement # ─── Constantes APA 7 ───────────────────────────────────────────────── FONT_NAME = "Calibri" FONT_SIZE = Pt(11) LINE_SPACING = 2.0 MARGIN = Cm(2.54) INDENT = Cm(1.27) # Colores institucionales COLOR_TITULO = RGBColor(0x0B, 0x13, 0x2B) # Azul oscuro COLOR_SUBTITULO = RGBColor(0x1A, 0x5F, 0x7A) # Azul medio COLOR_TEXTO = RGBColor(0x33, 0x33, 0x33) # Gris oscuro COLOR_TABLA_HEADER = RGBColor(0x0B, 0x13, 0x2B) # ─── Funciones auxiliares ────────────────────────────────────────────── def set_cell_shading(cell, color_hex): """Aplica color de fondo a una celda de tabla.""" shading = OxmlElement('w:shd') shading.set(qn('w:fill'), color_hex) shading.set(qn('w:val'), 'clear') cell._tc.get_or_add_tcPr().append(shading) def format_paragraph(paragraph, font_size=FONT_SIZE, bold=False, italic=False, alignment=WD_ALIGN_PARAGRAPH.LEFT, color=COLOR_TEXTO, space_after=Pt(0), space_before=Pt(0), first_indent=None, line_spacing=LINE_SPACING): """Formatea un párrafo completo según APA.""" pf = paragraph.paragraph_format pf.alignment = alignment pf.space_after = space_after pf.space_before = space_before pf.line_spacing = line_spacing if first_indent is not None: pf.first_line_indent = first_indent for run in paragraph.runs: run.font.name = FONT_NAME run.font.size = font_size run.font.bold = bold run.font.italic = italic run.font.color.rgb = color def add_paragraph_apa(doc, text, bold=False, italic=False, alignment=WD_ALIGN_PARAGRAPH.LEFT, indent=True, font_size=FONT_SIZE, space_after=Pt(0)): """Agrega un párrafo con formato APA.""" p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.size = font_size run.font.bold = bold run.font.italic = italic run.font.color.rgb = COLOR_TEXTO pf = p.paragraph_format pf.alignment = alignment pf.line_spacing = LINE_SPACING pf.space_after = space_after pf.space_before = Pt(0) if indent: pf.first_line_indent = INDENT return p def add_heading_apa(doc, text, level=1): """Agrega un título con formato APA por niveles.""" p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.color.rgb = COLOR_TITULO pf = p.paragraph_format pf.line_spacing = LINE_SPACING pf.space_before = Pt(12) pf.space_after = Pt(6) if level == 1: run.font.size = Pt(14) run.font.bold = True pf.alignment = WD_ALIGN_PARAGRAPH.CENTER elif level == 2: run.font.size = Pt(12) run.font.bold = True pf.alignment = WD_ALIGN_PARAGRAPH.LEFT elif level == 3: run.font.size = Pt(11) run.font.bold = True run.font.italic = True pf.alignment = WD_ALIGN_PARAGRAPH.LEFT return p def add_table(doc, headers, rows, col_widths=None): """Agrega una tabla con formato APA.""" table = doc.add_table(rows=1 + len(rows), cols=len(headers)) table.alignment = WD_TABLE_ALIGNMENT.CENTER table.style = 'Table Grid' # Encabezados for i, header in enumerate(headers): cell = table.rows[0].cells[i] cell.text = header set_cell_shading(cell, '0B132B') for paragraph in cell.paragraphs: paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER for run in paragraph.runs: run.font.name = FONT_NAME run.font.size = Pt(10) run.font.bold = True run.font.color.rgb = RGBColor(0xFF, 0xFF, 0xFF) # Filas de datos for r, row_data in enumerate(rows): for c, cell_text in enumerate(row_data): cell = table.rows[r + 1].cells[c] cell.text = str(cell_text) for paragraph in cell.paragraphs: paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER for run in paragraph.runs: run.font.name = FONT_NAME run.font.size = Pt(10) run.font.color.rgb = COLOR_TEXTO if col_widths: for i, width in enumerate(col_widths): for row in table.rows: row.cells[i].width = width doc.add_paragraph() # Espacio después de tabla return table def add_reference(doc, text): """Agrega una referencia con sangría francesa.""" p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.size = Pt(11) run.font.color.rgb = COLOR_TEXTO pf = p.paragraph_format pf.alignment = WD_ALIGN_PARAGRAPH.LEFT pf.line_spacing = LINE_SPACING pf.space_after = Pt(0) # Sangría francesa: left_indent + negative first_line_indent pf.left_indent = INDENT pf.first_line_indent = -INDENT return p # ─── Construcción del Documento ─────────────────────────────────────── def build_document(): doc = Document() # Configurar márgenes for section in doc.sections: section.top_margin = MARGIN section.bottom_margin = MARGIN section.left_margin = MARGIN section.right_margin = MARGIN # ═══════════════════════════════════════════════════════════════════ # PORTADA # ═══════════════════════════════════════════════════════════════════ # Espacios antes del título for _ in range(6): p = doc.add_paragraph() p.paragraph_format.line_spacing = LINE_SPACING # Título add_paragraph_apa(doc, "Reporte Académico: Diseño e Implementación de una " "Red Generativa Adversaria (DCGAN) para la Generación " "de Imágenes con CIFAR-10", bold=True, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False, font_size=Pt(14)) # Espacio doc.add_paragraph().paragraph_format.line_spacing = LINE_SPACING # Autores autores = [ "Alexander Oviedo Fadul", "Maria Fernanda Ruiz Paipilla", "Neheman Samir Jaller Cerchiaro", "William David Obando Lopez", "Yesith Stiven Vizcano Mican" ] for autor in autores: add_paragraph_apa(doc, autor, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False) # Espacio doc.add_paragraph().paragraph_format.line_spacing = LINE_SPACING # Datos institucionales datos = [ "Grupo 10", "Especialización en Inteligencia Artificial", "Corporación Universitaria Minuto de Dios (UNIMINUTO)", "NRC-8773 — Visión por Computador — Semana 8", "Profesor: Félix Julián Gutiérrez Bernal", "Junio de 2026" ] for dato in datos: add_paragraph_apa(doc, dato, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False) # Salto de página doc.add_page_break() # ═══════════════════════════════════════════════════════════════════ # INTRODUCCIÓN # ═══════════════════════════════════════════════════════════════════ add_heading_apa(doc, "Introducción", level=1) add_paragraph_apa(doc, "El presente reporte académico documenta el proceso de diseño e " "implementación de una Red Generativa Adversaria Convolucional Profunda " "(DCGAN, por sus siglas en inglés) desarrollada como actividad final del " "curso de Visión por Computador (NRC-8773). Esta actividad representa la " "culminación del recorrido formativo del periodo, integrando los " "conocimientos adquiridos a lo largo de las ocho semanas: desde el " "tratamiento básico de imágenes hasta las arquitecturas de redes " "neuronales convolucionales, pasando por la clasificación con CNN " "realizada en la Semana 7.") add_paragraph_apa(doc, "Las Redes Generativas Adversarias, propuestas originalmente por " "Goodfellow et al. (2014), constituyen uno de los avances más " "significativos en el campo del aprendizaje automático de la última " "década. Su capacidad para generar datos sintéticos realistas a partir " "de distribuciones aprendidas ha abierto posibilidades en ámbitos tan " "diversos como la generación de imágenes artísticas, la aumentación de " "datos para entrenamiento de modelos, la anonimización de información " "sensible y la simulación de escenarios para investigación científica.") add_paragraph_apa(doc, "El reporte se estructura en cuatro secciones principales. En primer " "lugar, se aborda el desarrollo teórico y práctico, dividido en una " "etapa de diseño — donde se describe la arquitectura de la red, el " "dataset empleado y las decisiones de ingeniería — y una etapa de " "implementación — donde se detallan las funciones de activación, los " "mecanismos de regularización y optimización, el flujo de datos y el " "código desarrollado. Posteriormente, se presentan los resultados " "obtenidos, incluyendo métricas de rendimiento y un collage de las " "imágenes generadas. Finalmente, se elaboran conclusiones sobre el " "alcance de los objetivos y la aplicabilidad profesional de esta " "tecnología.") add_paragraph_apa(doc, "El objetivo central de esta actividad es doble: por un lado, " "comprender la dinámica adversarial entre generador y discriminador " "que permite la síntesis de imágenes; por otro, desarrollar las " "competencias técnicas necesarias para implementar y evaluar este tipo " "de arquitecturas utilizando TensorFlow como framework principal, en " "línea con las herramientas trabajadas durante el curso.") # ═══════════════════════════════════════════════════════════════════ # DESARROLLO # ═══════════════════════════════════════════════════════════════════ add_heading_apa(doc, "Desarrollo", level=1) # --- Utilidad profesional --- add_heading_apa(doc, "Utilidad de las redes generativas adversarias en el desempeño " "profesional", level=2) add_paragraph_apa(doc, "Antes de adentrarnos en los aspectos técnicos, conviene reflexionar " "sobre la relevancia de las GANs en el contexto profesional de " "los integrantes del equipo. Como estudiantes de la Especialización en " "Inteligencia Artificial, la capacidad de generar datos sintéticos " "realistas tiene implicaciones directas en múltiples escenarios.") add_paragraph_apa(doc, "En el ámbito de la transformación digital del sector público, por " "ejemplo, uno de los desafíos recurrentes es la escasez de datos " "etiquetados para entrenar modelos de procesamiento automático de " "documentos. Las GANs ofrecen una solución elegante: generar documentos " "sintéticos que mantengan las características estadísticas de los reales " "sin comprometer la confidencialidad de la información ciudadana. " "A decir verdad, cuando empezamos a explorar esta posibilidad en el " "contexto del curso, nos dimos cuenta de que el potencial va más allá " "de lo que imaginábamos inicialmente.") add_paragraph_apa(doc, "En el sector salud, las GANs se han utilizado para generar imágenes " "médicas sintéticas (radiografías, resonancias magnéticas) que permiten " "entrenar sistemas de diagnóstico asistido sin violar regulaciones de " "privacidad del paciente. En el comercio electrónico, se emplean para " "crear variaciones de productos que aún no existen físicamente. Y en " "la investigación científica, como mencionó el profesor Félix Julián " "en la clase, se utilizan ampliamente para la simulación de fenómenos " "naturales y moléculas.") add_paragraph_apa(doc, "Sin embargo, también es necesario reconocer los dilemas éticos. " "Durante la sesión sincrónica, el profesor planteó una pregunta " "fundamental: ¿quién es el autor de una imagen generada por una red " "adversaria? Esta cuestión, que toca los derechos de propiedad " "intelectual, sigue abierta incluso en las legislaciones más avanzadas " "como la del Parlamento Europeo. Reconocemos que el uso responsable de " "estas tecnologías es tan importante como su dominio técnico.") # --- Preguntas orientadoras --- add_heading_apa(doc, "Preguntas orientadoras", level=2) add_heading_apa(doc, "¿Cómo evaluar la calidad de las imágenes generadas por una RGA?", level=3) add_paragraph_apa(doc, "La evaluación de la calidad de las imágenes generadas por una Red " "Generativa Adversaria es un problema complejo porque, a diferencia " "de la clasificación supervisada, no existe una métrica única y " "universalmente aceptada. En la práctica, se combinan enfoques " "cualitativos y cuantitativos.") add_paragraph_apa(doc, "Desde el punto de vista cualitativo, la inspección visual sigue " "siendo el primer filtro: ¿las imágenes generadas lucen coherentes? " "¿Presentan artefactos evidentes como texturas repetitivas, bordes " "irregulares o colores imposibles? ¿Existe diversidad en las muestras " "o todas se parecen entre sí (lo que indicaría mode collapse)?") add_paragraph_apa(doc, "Cuantitativamente, las métricas más utilizadas incluyen el FID " "(Fréchet Inception Distance), que mide la distancia entre las " "distribuciones de características de imágenes reales y generadas — " "valores más bajos indican mayor calidad —, y el IS (Inception Score), " "que evalúa tanto la calidad individual como la diversidad del " "conjunto generado. Además, el análisis de las curvas de pérdida " "durante el entrenamiento proporciona información sobre la estabilidad " "y convergencia del proceso adversarial (Dadhich, 2018).") add_heading_apa(doc, "¿Cuáles son los principales desafíos en la implementación de una RGA?", level=3) add_paragraph_apa(doc, "Los desafíos son tanto teóricos como prácticos. El más conocido es la " "inestabilidad del entrenamiento: dado que generador y discriminador " "compiten entre sí, lograr un equilibrio adecuado es delicado. Si el " "discriminador se vuelve demasiado fuerte, el generador no recibe " "gradientes útiles para mejorar; si el generador domina, el " "discriminador no puede distinguir imágenes reales de falsas, " "perdiendo su utilidad como señal de entrenamiento.") add_paragraph_apa(doc, "Otro desafío significativo es el mode collapse, donde el generador " "aprende a producir un conjunto limitado de imágenes que engañan al " "discriminador, sacrificando la diversidad. Esto es particularmente " "problemático en datasets como CIFAR-10, donde las diez clases " "requieren que la red capture una gran variedad de patrones visuales. " "Finalmente, el costo computacional es un factor que no puede " "subestimarse: como señaló el profesor en la clase de esta semana, " "la arquitectura, número de capas y demás tienen que ir creciendo " "conforme se busca mayor resolución y realismo en las imágenes " "generadas (Zafar, 2018).") # --- Etapa de diseño --- add_heading_apa(doc, "Etapa de diseño", level=2) add_heading_apa(doc, "Dataset CIFAR-10", level=3) add_paragraph_apa(doc, "Para esta actividad, el equipo decidió utilizar el dataset CIFAR-10 " "como base de entrenamiento para la DCGAN, en continuidad con el " "trabajo de clasificación realizado en la Semana 7. CIFAR-10 es un " "dataset estándar de referencia en visión por computador que contiene " "60,000 imágenes a color (32×32 píxeles, 3 canales RGB) distribuidas " "uniformemente en 10 clases: avión, automóvil, pájaro, gato, ciervo, " "perro, rana, caballo, barco y camión.") add_table(doc, ["Característica", "Detalle"], [ ["Nombre del dataset", "CIFAR-10 (Canadian Institute for Advanced Research)"], ["Imágenes totales", "60,000 (50,000 train + 10,000 test)"], ["Resolución", "32 × 32 píxeles"], ["Canales de color", "3 (RGB)"], ["Número de clases", "10"], ["Normalización aplicada", "[-1, 1] (para compatibilidad con tanh)"], ["Formato de píxeles original", "uint8 [0, 255]"], ]) add_paragraph_apa(doc, "La elección de CIFAR-10 sobre MNIST (el dataset utilizado en los " "notebooks de referencia del Drive) responde a dos razones. Primero, " "la continuidad con el proyecto de la Semana 7, donde ya habíamos " "construido y entrenado una CNN clasificadora con este mismo dataset. " "Segundo, el desafío adicional que supone trabajar con imágenes a " "color de objetos reales, en contraste con los dígitos en escala de " "grises de MNIST. Reconocemos que esto hace el problema más difícil, " "pero también más representativo de aplicaciones del mundo real.") add_heading_apa(doc, "Arquitectura DCGAN", level=3) add_paragraph_apa(doc, "La Deep Convolutional Generative Adversarial Network (DCGAN), " "propuesta por Radford et al. (2016), es una extensión de la GAN " "original que introduce operaciones convolucionales en ambas redes. " "A diferencia de la GAN básica que opera exclusivamente con capas " "densas (fully connected), la DCGAN aprovecha la estructura espacial " "de las imágenes mediante convoluciones, lo que le permite capturar " "patrones locales como bordes, texturas y formas.") add_paragraph_apa(doc, "Nuestra implementación sigue las directrices arquitectónicas " "establecidas en el paper original de DCGAN, con las siguientes " "adaptaciones para CIFAR-10:") add_table(doc, ["Principio DCGAN", "Implementación"], [ ["Reemplazar pooling por convoluciones con stride", "Conv2DTranspose con stride=2 en G, Conv2D con stride=2 en D"], ["Usar BatchNormalization", "En todas las capas de G (excepto salida) y D (excepto entrada)"], ["Eliminar capas fully connected intermedias", "Solo una capa Dense inicial en G para proyección"], ["ReLU en el generador", "ReLU en capas internas, tanh en salida"], ["LeakyReLU en el discriminador", "LeakyReLU(α=0.2) en todas las capas"], ]) add_heading_apa(doc, "Arquitectura del generador", level=3) add_paragraph_apa(doc, "El generador transforma un vector de ruido aleatorio z de dimensión " "100 (muestreado de una distribución normal estándar) en una imagen " "de 32×32×3 píxeles. El proceso de upsampling progresivo se realiza " "mediante convoluciones transpuestas (Conv2DTranspose) que duplican " "las dimensiones espaciales en cada paso:") add_table(doc, ["Capa", "Operación", "Salida", "Activación"], [ ["Entrada", "Vector latente z", "(100,)", "—"], ["Dense + Reshape", "Dense(4×4×256) → Reshape", "(4, 4, 256)", "ReLU"], ["ConvTranspose 1", "128 filtros, 5×5, stride=2", "(8, 8, 128)", "ReLU"], ["ConvTranspose 2", "64 filtros, 5×5, stride=2", "(16, 16, 64)", "ReLU"], ["ConvTranspose 3", "3 filtros, 5×5, stride=2", "(32, 32, 3)", "tanh"], ]) add_paragraph_apa(doc, "La función de activación tanh en la capa de salida produce valores " "en el rango [-1, 1], que es compatible con la normalización aplicada " "al dataset de entrenamiento. Todas las capas convolucionales se " "configuran sin bias (use_bias=False), ya que la BatchNormalization " "posterior hace redundante el término de sesgo.") add_heading_apa(doc, "Arquitectura del discriminador", level=3) add_paragraph_apa(doc, "El discriminador funciona como una CNN clasificadora binaria que " "recibe una imagen de 32×32×3 y produce una probabilidad de que la " "imagen sea real (proveniente del dataset) o falsa (generada por G). " "Estructuralmente, es el espejo del generador, realizando downsampling " "mediante convoluciones con stride:") add_table(doc, ["Capa", "Operación", "Salida", "Activación"], [ ["Entrada", "Imagen RGB", "(32, 32, 3)", "—"], ["Conv2D 1", "64 filtros, 5×5, stride=2", "(16, 16, 64)", "LeakyReLU(0.2)"], ["Conv2D 2", "128 filtros, 5×5, stride=2", "(8, 8, 128)", "LeakyReLU(0.2)"], ["Flatten + Dense", "Flatten → Dense(1)", "(1,)", "Sigmoid"], ]) add_paragraph_apa(doc, "Se utiliza LeakyReLU con pendiente negativa α=0.2 en lugar de ReLU " "estándar, lo cual permite gradientes negativos pequeños y evita el " "problema de neuronas muertas. Se aplica Dropout con probabilidad 0.3 " "después de cada LeakyReLU como mecanismo de regularización, evitando " "que el discriminador se vuelva demasiado fuerte demasiado rápido y " "ahogue al generador.") # --- Etapa de implementación --- add_heading_apa(doc, "Etapa de implementación", level=2) add_heading_apa(doc, "Funciones de activación empleadas", level=3) add_paragraph_apa(doc, "La selección de funciones de activación en una GAN es crítica y " "difiere entre el generador y el discriminador. A continuación se " "detallan las funciones utilizadas y su justificación:") add_table(doc, ["Función", "Ubicación", "Fórmula", "Justificación"], [ ["ReLU", "G (capas internas)", "max(0, x)", "Permite gradientes fuertes, aprendizaje rápido"], ["tanh", "G (salida)", "(eˣ - e⁻ˣ)/(eˣ + e⁻ˣ)", "Rango [-1,1] compatible con normalización de datos"], ["LeakyReLU", "D (todas las capas)", "max(αx, x), α=0.2", "Evita neuronas muertas, gradientes negativos"], ["Sigmoid", "D (salida)", "1/(1 + e⁻ˣ)", "Probabilidad binaria (real vs. falso)"], ]) add_heading_apa(doc, "Regularización y optimización", level=3) add_paragraph_apa(doc, "La regularización en una DCGAN tiene un objetivo diferente al de una " "CNN clasificadora convencional. Mientras en clasificación se busca " "prevenir el sobreajuste a los datos de entrenamiento, en una GAN la " "regularización busca estabilizar la dinámica adversarial y prevenir " "que una de las redes domine a la otra.") add_paragraph_apa(doc, "BatchNormalization se aplica en el generador después de cada capa " "convolucional transpuesta (excepto la de salida). Esta técnica " "normaliza las activaciones de cada mini-batch, reduciendo el " "problema de internal covariate shift y permitiendo tasas de " "aprendizaje más altas sin sacrificar estabilidad. En el " "discriminador, se utiliza Dropout con probabilidad p=0.3, que " "desactiva aleatoriamente el 30% de las neuronas durante el " "entrenamiento, actuando como un ensamble implícito que suaviza " "la superficie de decisión del discriminador.") add_paragraph_apa(doc, "Para la optimización, se emplea el algoritmo Adam (Kingma & Ba, " "2015) con hiperparámetros específicos para entrenamiento adversarial: " "tasa de aprendizaje de 1×10⁻⁴ y β₁=0.5 (en lugar del valor por " "defecto de 0.9). Estos valores provienen de las recomendaciones " "empíricas del paper original de DCGAN (Radford et al., 2016) y han " "demostrado proporcionar mayor estabilidad en el entrenamiento " "competitivo entre generador y discriminador.") add_table(doc, ["Hiperparámetro", "Valor", "Justificación"], [ ["Learning rate", "1×10⁻⁴", "Recomendación DCGAN (Radford et al., 2016)"], ["β₁ (Adam)", "0.5", "Estabilidad en entrenamiento adversarial"], ["β₂ (Adam)", "0.999", "Valor estándar"], ["Épocas", "50", "Balance entre calidad y costo computacional"], ["Batch size", "128", "Estándar para DCGAN"], ["Dimensión latente", "100", "Espacio suficiente para diversidad"], ["Dropout (D)", "0.3", "Regularización del discriminador"], ]) add_heading_apa(doc, "Flujo de datos dentro de la red", level=3) add_paragraph_apa(doc, "El flujo de datos en una DCGAN sigue un patrón cíclico durante el " "entrenamiento. En cada iteración (paso de entrenamiento), ocurren " "dos fases secuenciales:") add_paragraph_apa(doc, "Fase 1 — Entrenamiento del Discriminador: Se toma un mini-batch de " "imágenes reales del dataset CIFAR-10 y se le asigna la etiqueta 1 " "(real). Simultáneamente, se genera un mini-batch de imágenes falsas " "alimentando vectores de ruido aleatorio al generador, y se le asigna " "la etiqueta 0 (falso). El discriminador procesa ambos conjuntos y " "calcula la Binary Cross-Entropy combinada. Los gradientes se " "retropropagan únicamente a través del discriminador, actualizando " "sus pesos para mejorar su capacidad de discriminación.") add_paragraph_apa(doc, "Fase 2 — Entrenamiento del Generador: Se genera un nuevo mini-batch " "de imágenes falsas a partir de ruido aleatorio. Estas imágenes se " "pasan por el discriminador, pero esta vez se les asigna la etiqueta " "1 (intentamos engañar a D). La pérdida resultante indica qué tan " "lejos están las imágenes generadas de ser clasificadas como reales. " "Los gradientes se retropropagan a través del discriminador (congelado) " "hasta el generador, actualizando los pesos de G para que produzca " "imágenes más convincentes.") add_paragraph_apa(doc, "Este proceso iterativo, implementado con el decorador @tf.function " "de TensorFlow para eficiencia computacional, se repite durante 50 " "épocas completas sobre el dataset de entrenamiento. Como describió " "el profesor en clase, es un proceso donde el generador y el " "discriminador compiten basados en una métrica, y a medida que pasa " "el tiempo, los valores W se van ajustando hasta que la red logra " "generar imágenes reconocibles.") add_heading_apa(doc, "Descripción del código desarrollado", level=3) add_paragraph_apa(doc, "La implementación completa se desarrolló en un Jupyter Notebook " "utilizando Python 3 con TensorFlow/Keras como framework principal. " "Este notebook está publicado y disponible para su ejecución interactiva en " "Google Colab a través del siguiente enlace: " "https://colab.research.google.com/github/bladealex9848/UNIMINUTO/blob/main/2do%20CUATRIMESTRE/NRC-8773-Visi%C3%B3n%20por%20Computador/ACTIVIDADES/MA%20Semana%208/Oviedo_Alexander_DCGAN_RGA_S8_VC.ipynb. " "El código está estructurado en secciones bien diferenciadas que " "abarcan desde la carga del dataset hasta la generación final de " "imágenes. Los componentes principales del código incluyen:") add_paragraph_apa(doc, "La función build_generator() construye la red generadora como un " "modelo Sequential de Keras con capas Dense, Reshape, " "Conv2DTranspose, BatchNormalization y activaciones ReLU/tanh. La " "función build_discriminator() implementa la red discriminadora con " "capas Conv2D, LeakyReLU, Dropout y una capa Dense final con sigmoid. " "El paso de entrenamiento se encapsula en la función train_step(), " "decorada con @tf.function para compilación en grafo, que ejecuta " "secuencialmente el entrenamiento del discriminador y del generador " "utilizando GradientTape de TensorFlow para el cálculo automático " "de gradientes.") add_paragraph_apa(doc, "Para facilitar la reproducibilidad y la transparencia del proceso, " "el notebook incluye celdas de verificación que validan las formas de " "salida de ambas redes antes de iniciar el entrenamiento, así como " "funciones de visualización que generan grids de imágenes cada 10 " "épocas para monitorear el progreso. Todo el código está documentado " "con comentarios detallados y celdas markdown explicativas que " "contextualizan cada decisión técnica.") # ═══════════════════════════════════════════════════════════════════ # RESULTADOS # ═══════════════════════════════════════════════════════════════════ add_heading_apa(doc, "Resultados", level=1) add_paragraph_apa(doc, "Tras completar las 50 épocas de entrenamiento sobre las 50,000 " "imágenes de CIFAR-10, la DCGAN logró generar imágenes sintéticas " "que capturan patrones visuales generales del dataset, incluyendo " "paletas de color y formas geométricas básicas. A continuación se " "presentan los resultados obtenidos.") add_heading_apa(doc, "Curvas de pérdida", level=2) add_paragraph_apa(doc, "El análisis de las curvas de pérdida es el indicador principal de " "la dinámica del entrenamiento adversarial. En una DCGAN bien " "entrenada, se espera que las pérdidas del generador y del " "discriminador oscilen sin que ninguna se acerque permanentemente a " "cero, lo que indicaría que una red ha dominado completamente a la " "otra.") add_paragraph_apa(doc, "En nuestro caso, las pérdidas mostraron un comportamiento oscilante " "característico del entrenamiento adversarial. La pérdida del " "discriminador se mantuvo en un rango estable, mientras que la del " "generador fluctuó a medida que la red aprendía a producir imágenes " "cada vez más convincentes. Este patrón es consistente con lo " "reportado en la literatura para DCGAN entrenadas con datasets de " "baja resolución (Radford et al., 2016).") add_paragraph_apa(doc, "Nota: Las gráficas de las curvas de pérdida se encuentran " "generadas y visualizadas en el notebook Jupyter adjunto " "(Oviedo_Alexander_DCGAN_RGA_S8_VC.ipynb), sección 7.1.") add_heading_apa(doc, "Imágenes generadas", level=2) add_paragraph_apa(doc, "El resultado final del entrenamiento es un conjunto de 36 imágenes " "sintéticas (organizadas en un collage de 6×6) generadas a partir de " "vectores de ruido aleatorio. Estas imágenes no existen en el dataset " "original; son completamente nuevas, creadas por el generador después " "de aprender las distribuciones estadísticas de las imágenes reales " "de CIFAR-10.") add_paragraph_apa(doc, "La evolución temporal de las imágenes generadas permite observar " "el proceso de aprendizaje de la red: en las primeras épocas, las " "imágenes son esencialmente ruido aleatorio; hacia la época 10-20, " "comienzan a emerger patrones de color y formas geométricas básicas; " "y en las épocas finales, las imágenes presentan mayor coherencia " "visual con texturas y distribuciones de color que se asemejan a las " "del dataset de entrenamiento.") add_paragraph_apa(doc, "Es importante ser honestos sobre las limitaciones: a una resolución " "de 32×32 píxeles, las imágenes generadas no alcanzan un fotorrealismo " "comparable al de arquitecturas más avanzadas (como StyleGAN) que " "trabajan a resoluciones de 256×256 o superiores. Sin embargo, sí " "logran capturar las distribuciones de color, las formas generales y " "los patrones de textura del dataset, lo cual valida la correcta " "implementación del modelo.") add_paragraph_apa(doc, "Nota: El collage completo de las 36 imágenes generadas y la " "comparación visual entre imágenes reales y generadas se encuentran " "en el notebook adjunto, secciones 7.2, 7.3 y 7.4.") add_heading_apa(doc, "Resumen de métricas", level=2) add_table(doc, ["Métrica", "Valor"], [ ["Dataset", "CIFAR-10 (32×32×3, RGB)"], ["Imágenes de entrenamiento", "50,000"], ["Épocas completadas", "50"], ["Imágenes generadas", "36 (collage 6×6)"], ["Framework", "TensorFlow / Keras"], ["Dimensión latente", "100"], ["Función de pérdida", "Binary Cross-Entropy"], ["Optimizador", "Adam (lr=1e-4, β₁=0.5)"], ]) # ═══════════════════════════════════════════════════════════════════ # CONCLUSIONES # ═══════════════════════════════════════════════════════════════════ add_heading_apa(doc, "Conclusiones", level=1) add_paragraph_apa(doc, "El presente trabajo logró cumplir satisfactoriamente los objetivos " "propuestos para la actividad de la Semana 8. Se diseñó e implementó " "una Red Generativa Adversaria Convolucional Profunda (DCGAN) " "funcional, capaz de generar imágenes sintéticas a color de 32×32 " "píxeles a partir de vectores de ruido aleatorio. Se produjo un " "conjunto de 36 imágenes nuevas, superando el mínimo requerido de 30, " "y se documentó exhaustivamente el proceso en un notebook Jupyter " "reproducible.") add_paragraph_apa(doc, "Desde el punto de vista técnico, la experiencia de implementar una " "DCGAN desde cero — adaptando los notebooks de referencia del curso " "de MNIST a CIFAR-10 — nos permitió comprender en profundidad la " "dinámica adversarial entre generador y discriminador. Lo que al " "principio parecía un concepto abstracto (dos redes compitiendo " "entre sí) se volvió tangible cuando observamos cómo las imágenes " "evolucionaban de ruido puro a formas cada vez más reconocibles " "a medida que avanzaba el entrenamiento.") add_paragraph_apa(doc, "Reconocemos que la calidad de las imágenes generadas tiene " "limitaciones inherentes a la resolución del dataset (32×32 píxeles). " "Generar dígitos MNIST es relativamente sencillo porque son imágenes " "binarias simples; CIFAR-10, con sus objetos complejos a color, " "presenta un desafío significativamente mayor. Para futuras " "iteraciones, sería interesante explorar arquitecturas más avanzadas " "como StyleGAN o la incorporación de mecanismos de atención, así como " "experimentar con técnicas de entrenamiento progresivo que permitan " "generar imágenes a resoluciones más altas.") add_paragraph_apa(doc, "En cuanto a la aplicabilidad profesional, las redes generativas " "adversarias representan una herramienta con enorme potencial para " "la generación de datos sintéticos en contextos donde los datos reales " "son escasos, costosos o sensibles. En el ámbito de la inteligencia " "artificial aplicada, dominar estas técnicas abre posibilidades para " "la aumentación de datos de entrenamiento, la anonimización de " "información y la generación de escenarios de prueba. Como reflexión " "final, coincidimos con lo planteado por el profesor Félix Julián " "respecto a la importancia de considerar los aspectos éticos y legales " "del uso de estas tecnologías, especialmente en lo relacionado con " "los derechos de propiedad intelectual sobre el contenido generado.") # ═══════════════════════════════════════════════════════════════════ # REFERENCIAS # ═══════════════════════════════════════════════════════════════════ add_heading_apa(doc, "Referencias", level=1) referencias = [ "Dadhich, A. (2018). Chapter 5: Convolutional Neural Networks. " "En Practical computer vision: Extract insightful information " "from images using TensorFlow, Keras, and OpenCV (pp. 88-125). " "Packt Publishing.", "Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., " "Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). " "Generative Adversarial Nets. Advances in Neural Information " "Processing Systems, 27, 2672-2680.", "Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic " "Optimization. Proceedings of the 3rd International Conference on " "Learning Representations (ICLR).", "Krizhevsky, A. (2009). Learning Multiple Layers of Features from " "Tiny Images [Tesis de maestría, University of Toronto]. " "Department of Computer Science.", "Radford, A., Metz, L., & Chintala, S. (2016). Unsupervised " "Representation Learning with Deep Convolutional Generative " "Adversarial Networks. Proceedings of the 4th International " "Conference on Learning Representations (ICLR).", "Zafar, I. (2018). Generative Adversarial Networks. En Hands-on " "convolutional neural networks with TensorFlow: Solve computer " "vision problems with modeling in TensorFlow and Python " "(pp. 172-188). Packt Publishing.", ] for ref in referencias: add_reference(doc, ref) return doc # ─── Main ────────────────────────────────────────────────────────────── if __name__ == "__main__": print("Generando reporte académico .docx...") print(" Formato: APA 7ª edición") print(" Fuente: Calibri 11pt") print(" Interlineado: Doble") print(" Márgenes: 2.54 cm") print() doc = build_document() output_dir = os.path.dirname(os.path.abspath(__file__)) output_path = os.path.join(output_dir, "Oviedo_Alexander_Reporte_RGA_S8_VC.docx") doc.save(output_path) print(f"✅ Documento generado: {output_path}") print(f" Secciones: Portada, Introducción, Desarrollo, Resultados, " f"Conclusiones, Referencias")