← Volver
Laboratorios de Deep Learning
XOR, optimizadores, CNN, regularización, transfer learning y GAN
Problema
Ejercicios guiados del curso.
Datos
MNIST, Fashion-MNIST, tf_flowers.
Métodos
- Red neuronal XOR desde cero (NumPy)
- SGD vs Adam vs RMSprop en Fashion-MNIST (PyTorch)
- CNN en MNIST con filtros y mapas de características
- Normalización, L2 y Dropout
- Transfer learning VGG16 + fine-tuning (tf_flowers)
- GAN sobre MNIST
Resultados
- Optimizadores (Fashion-MNIST, 10 épocas): Adam y RMSprop ~88 % frente a 77.23 % de SGD.
- Regularización (Fashion-MNIST, test): base 84.88 %, normalizado 87.57 %, L2 + Dropout 86.32 % con menor brecha de generalización.
Herramientas
PythonPyTorchTensorFlow / KerasMLflowDatabricks