Autoencoder para reconstrucción de imágenes

De qué iba

Aquí entregué dos autoencoders sobre MNIST. El primero, denso: 784 entradas comprimidas a 32 y devueltas a 784, con Adam y entropía cruzada binaria, unos 51 mil parámetros. El segundo, convolucional, con Conv2D y MaxPooling en el codificador y Conv2DTranspose en el decodificador; ese lo entrené primero 50 épocas reconstruyendo dígitos limpios y después 100 épocas más aprendiendo a quitar ruido gaussiano de factor 0.4. Además apliqué todas las modificaciones que pedía la actividad: n en 5, SGD, capa oculta de 256, dropout del 20 %, error cuadrático medio, summary impreso y el modelo guardado con sus pesos.

• Construí el autoencoder denso 784-32-784 con Adam y binary_crossentropy y lo entrené 10 épocas con lotes de 256; la pérdida bajó de 0.2787 a valores cercanos a 0.09
• Armé la versión modificada con capa oculta de 256 neuronas, dropout de 0.2, optimizador SGD a 0.001 y pérdida MSE, y guardé modeloinicial.keras junto con model_pesos.weights.h5
• Implementé el autoencoder convolucional de 28 353 parámetros y lo entrené en dos fases: 50 épocas de reconstrucción limpia y 100 más contra imágenes con ruido gaussiano de factor 0.4
• Escribí el informe en APA respondiendo las dos preguntas orientadoras y explicando por qué la combinación ReLU adentro y sigmoide en la salida funciona con píxeles normalizados entre 0 y 1

Qué pedían

El enunciado y la rúbrica, tal cual los publicaron.

Qué entregué

Lo que salió de esa semana.

Lo que usé por el camino

Notas sueltas, datos y código de apoyo.

Seguir leyendo