bkoscar/LeNet-5-

Implementación de LeNet-5 en Pytorch para la clasificación de imágenes utilizando la arquitectura clásica de LeNet-5 con siete capas. Entrenado y evaluado en el conjunto de datos MNIST para reconocimiento de dígitos escritos a mano.

LeNet-5

Implementación de LeNet-5 en Pytorch para la clasificación de imágenes utilizando la arquitectura clásica de LeNet-5 con siete capas. Entrenado y evaluado en el conjunto de datos MNIST para reconocimiento de dígitos escritos a mano.

Explicación de la arquitectura

LeNet-5 es una red neuronal convolucional diseñada para el reconocimiento de dígitos. Consta de siete capas, incluyendo capas de convolución, capas de submuestreo (pooling) y capas completamente conectadas. La arquitectura es la siguiente:

1. Capa de convolución C1: 6 filtros de 5x5.
2. Capa de submuestreo S2: 6 filtros de 2x2 con un paso de 2.
3. Capa de convolución C3: 16 filtros de 5x5.
4. Capa de submuestreo S4: 16 filtros de 2x2 con un paso de 2.
5. Capa de convolución C5: 120 filtros de 5x5.
6. Capa completamente conectada F6: 84 neuronas.
7. Capa de salida: 10 neuronas, correspondientes a los dígitos del 0 al 9.

Dependencias

Para utilizar este proyecto, primero debe crear un entorno virtual con Conda. Puede hacerlo con el siguiente comando:

conda create -n env_name python=3.11

Luego, active el entorno con:

conda activate env_name

Instalación de PyTorch

Este proyecto requiere PyTorch. Puedes instalar PyTorch siguiendo las instrucciones en la página oficial de PyTorch.

Una vez instalado PyTorch, puedes instalar las demás dependencias con:

pip install -r requirements.txt

Finalmente, instala torch-tb-profiler con el siguiente comando:

pip install torch-tb-profiler

Uso

Para ejecutar el script principal con parámetros personalizados, utiliza el siguiente comando:

python main.py --batch_size <batch_size> --epochs <epochs> --lr <learning_rate>

Donde <batch_size>, <epochs> y <learning_rate> deben ser reemplazados por los valores que desees. Por ejemplo, para ejecutar el script con un tamaño de lote de 32, 50 épocas y una tasa de aprendizaje de 0.001, el comando sería:

python main.py --batch_size 32 --epochs 50 --lr 0.001

Inferencia

Para realizar la inferencia, ejecuta el siguiente comando:

python inference.py

En inference.py debes remplazar el path del modelo por el que hayas entrenado.

Esto abrirá una interfaz gráfica donde puedes escribir el dígito que deseas inferir como se muestra a continuación: