Deep Learning en Python y Tensorflow

1. El mismo MLP, con la misma semilla, llega a val_accuracy 0.7102 en la primera época con píxeles de 0 a 255 y a 0.8438 con píxeles divididos entre 255. ¿Por qué ayuda normalizar?

• Porque dividir entre 255 elimina el ruido de las fotos
• Porque con entradas pequeñas y en la misma escala el optimizador da pasos más estables desde el inicio
• Porque reduce el número de parámetros del modelo
• Porque convierte las etiquetas a one-hot

Con entradas de hasta 255 las sumas ponderadas son enormes y los primeros pasos del optimizador mueven los pesos de forma brusca. En [0, 1] el entrenamiento arranca mejor y sube de forma pareja.

2. Una tubería de tf.data toma las 60,000 fotos de entrenamiento y aplica shuffle(10000, seed=42), batch(64) y prefetch(AUTOTUNE). ¿Cuántos lotes produce por época?

• 937
• 938
• 1000
• 10,000, uno por cada elemento del búfer de shuffle

60,000 / 64 = 937.5: hay 937 lotes completos de 64 y un último lote de 32, en total 938. batch no descarta el lote incompleto salvo que se pida drop_remainder=True.

3. Con 5 épocas, el MLP llega a val_accuracy 0.8758 con Adam y tasa 0.001, pero solo a 0.3583 con Adam y tasa 0.1. ¿Cuál es la explicación más probable?

• La tasa de 0.1 es demasiado alta: los pasos son tan grandes que la red no logra bajar la pérdida
• La red sobreajustó porque aprendió demasiado rápido
• Adam no funciona con imágenes y debe usarse SGD
• Faltaron épocas: con 50 épocas llegaría a 0.95

Con una tasa de aprendizaje demasiado alta los pasos sobre los pesos son tan grandes que la red salta de un lado a otro y no converge. La primera sospechosa cuando la pérdida no baja es la tasa.

4. Un MLP grande entrenado con 3000 fotos llega a accuracy 0.983 en entrenamiento y 0.8365 en validación tras 40 épocas; su val_loss es mínima en la época 6. Con EarlyStopping(patience=3, restore_best_weights=True), ¿qué pasa?

• Entrena las 40 épocas y se queda con los pesos de la época 40
• Se detiene en la época 9 y se queda con los pesos de la época 9
• Se detiene en la época 9 y recupera los pesos de la época 6
• Se detiene en la época 3 porque patience=3

EarlyStopping vigila val_loss: tras tres épocas sin mejora desde la 6 se detiene en la época 9 y, por restore_best_weights=True, recupera los pesos de la época 6 (val accuracy 0.842).

5. La CNN de PyShop acierta 0.902 en prueba, contra 0.8746 del MLP, pero en ambos modelos la celda (camisa, camiseta) de la matriz de confusión vale 174. ¿Qué significa?

• Que 174 camisetas reales se predijeron como camisa
• Que 174 camisas reales se predijeron como camiseta, el error más frecuente de los dos modelos
• Que la CNN acertó 174 camisas
• Que hay 174 fotos de camisa en el conjunto de prueba

Las filas de tf.math.confusion_matrix son la clase real y las columnas la predicha: 174 camisas reales se etiquetaron como camiseta. Es el error más frecuente; en 28×28 y en gris las dos prendas se parecen mucho.