El inicio
Todo empezó cuando el profesor Waissman nos dejó como proyecto hacer una red convolucional para la clase de Redes Neuronales. Teníamos que usar Tensorflow o algo similar. Terminé eligiendo keras
Al principio todo iba bien, cada quien eligió un tema y yo termine eligiendo el de clasificador de células blancas. Mi plan original era hacer una red que le dieras una imagen con células blancas en ella y te dijera cuántas había y de qué tipo. Así que me puse a investigar proyectos que hubieran hecho algo similar y encontré los siguientes
-
Este fue el primer proyecto que chequé y en el que más me basé.
Me pareció bastante completo, y reportaba resultados del 98% de presición en clasificación binaria y 93% de presición en clasificación no binaria de 4 tipos de células blancas.
-
white-blood-cells-classification
Este proyecto era un fork del anterior donde simplemente le añadió un par de detalles pero no hizo gran cosa. Aún así traté de sacar cosas interesantes de aquí y terminé forkeando este proyecto y usándolo como base aunque en realidad el primero era el original. De igual manera este proyecto reportaba los mismos resultados de presición que el anterior
-
white_blood_cells_classification_via_convolutional_neural_network
Este fue el último proyecto que chequé y también hacía algo similar a los anteriores aunque no lo miré mucho. En este momento entendí que el primero y el segundo eran básicamente lo mejor que podía encontrar en ese momento.
Haciendo la red
Una vez elegido el tema y el proyecto en el cuál basarme y ya que la base de datos la obtuve de los proyectos anteriores intenté resolver el problema de 3 maneras diferentes:
-
Agarrar una red convolucional entrenada y ver qué tan buenos resultados me daba. Elegí la VGG16 ya que venía ya en keras entrenada con las imágenes de image-net así que fue fácil de implementar.
Este método me dio resultados terribles ya que al clasificar una célula blanca lo más cercano que encontró fue una cortina de baño. El resultado está aquí
-
De nuevo utilizar la red pre-entrenada VGG16 pero ahora, quitándole la última capa y entrenándola por mi cuenta utilizando la misma base de datos. Este método fue bastante eficaz ya que básicamente no costó mucho tiempo entrenar la red y obtuve resultados del 78% de presición. El resultado está aquí
-
Al ver que los resultados que obtenía no eran mejores que los que se planteaban en los proyectos de arriba, probé a hacer mi propia red, modificando un poco la que ellos utilizaban. Sólo que en vez de clasificar entre 4 lo hace entre 5.
Este fue el método que mejor resultados me dio llegando hasta un 92% de presición que si comparamos con el 93% de presición en clasificación de 4 es decir, estamos obteniendo casi los mismos resultados clasificando con 5.
El resultado se encuentra aquí
Y esta es la estructura de la red:
Conclusión
Fue una experiencia divertida, logré entender cómo funciona una red convolucional y ahora sé que soy capaz de agarrar cualquier proyecto de red convolucional en internet, modificarlo un poco para aplicarlo a algún area de interés que tenga y obtener resultados buenos o decentes.
Los mayores problemas que tuve fue a la hora de hacer mi propia red y entrenarla desde 0. Se tardaba bastante y me daba resultados malísimos. Esto lo pude solucionar cambiando la base de datos que estaba utilizando. Al parecer, las imágenes originales o eran muy abstractas para que la red pudiera aprender o eran demasiado difíciles. Al usar esta nueva base de datos parece que la dificultad bajó dando mejores resultados.
Como consejo daría que cuando algo no está funcionando prueben a usar diferentes datos, probar nuevos algoritmos. Quizá el problema está atascado en un mínimo local y ya sea por los datos o por tu algoritmo no se puede resolver tan fácilmente.