-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathindex.html
794 lines (732 loc) · 36.7 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
<!DOCTYPE html>
<html lang=es-es>
<meta charset=utf-8>
<title>Introducción al Deep Learning y aplicaciones en imágenes</title>
<meta name=viewport content="width=device-width">
<meta name="duration" content="45" />
<link rel=stylesheet href="assets/css/simple.css">
<link rel=stylesheet href="assets/css/extra.css">
<script src="assets/js/b6plus.js"></script>
<link rel="preconnect" href="https://fonts.googleapis.com">
<link rel="preconnect" href="https://fonts.gstatic.com" crossorigin>
<link href="https://fonts.googleapis.com/css2?family=Inconsolata&family=Source+Sans+Pro:ital,wght@0,400;0,700;1,400;1,700&display=swap" rel="stylesheet">
<link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/katex@0.16.4/dist/katex.min.css" integrity="sha384-vKruj+a13U8yHIkAyGgK1J3ArTLzrFGBbBc0tDp4ad/EyewESeXE/Iv67Aj8gKZ0" crossorigin="anonymous">
<!--
Slide transitions =========================
fade-in
The new slide appears faint at first and gets more opaque until it completely obscures the previous slide.
slide-in
The new slide moves in from the left, while the previous slide moves back to the left.
move-left
The new slides move in from the right while the old slide moves out to the left.
move-up
The old slide moves up and the new slide moves in from the bottom.
flip-up
A 3D effect: the bottom of the old slide is lifted up and the slide is turned over to reveal the new slide on its back side.
flip-left
Another 3D effect, but in this case the right side of the slide is lifted up and the slide is flipped over to the left, revealing the new slide on the back side.
center-out
A small circle appears in the middle of the old slide that reveals the new slide. The circle grows until it covers the whole slide.
wipe-left
The new slide moves in from the right, until it covers the old slide.
zigzag-left
A zigzag pattern moves in from the right. To the left is the old slide, to the right the new one.
zigzag-right
A zigzag pattern moves in from the left. To the left is the new slide, to the right the old one.
cut-in
The new slide moves in from the top left and covers the old slide.
-->
<body class="fade-in hidemouse=1.5">
<div class=progress></div> <!-- progress bar -->
<section role=region aria-live=assertive>
<!-- What a screen reader should say on leaving slide mode,
instead of the default ‘Stopped.’ -->
Leaving presentation mode.
</section>
<section class="comment small timer">
<span class="timer-text"></span>
<button class="timer-start">Empezar</button>
</section>
<script>
let time_mins = 50
let setMins = function(){
document.querySelector(".timer-text").textContent = `${time_mins} min. restantes`;
time_mins -= 1;
}
setMins()
document.querySelector(".timer-start").addEventListener("click", function(){
this.style.display = "none";
setInterval(setMins, 60000)
});
</script>
<section class="comment small">
Para iniciar la presentación, haz <a href="?full">clic aquí</a> o <b>doble clic</b> en cualquiera de las diapositivas. Para navegar por las diapositivas, puedes utilizar las flechas del teclado.
<p>
Esta presentación ha sido compuesta utilizando el <a href="https://www.w3.org/Talks/Tools/b6plus/">motor B6+ del W3C</a>, con scripts y estilos modificados por David Charte. Consulta el <a href="https://github.com/fdavidcl/defensa">código fuente en GitHub</a>.
</p>
</section>
<section class="cover slide clear titleslide flex" id=cover>
<div class="right-side">
<img class="cover" src="images/fondo_portada.png"
alt="Abstract nodes and connections" />
<h1>
Aplicaciones del <br>
<span class="largest"><i>Deep Learning</i> </span><br>
<span class="larger">al análisis de imágenes</span><br>
</h1>
<p class="subtitle">Décimo Ciclo de Conferencias de Enseñanzas de Postgrado</p>
<p class="institution">Máster Universitario en Ingeniería Informática<br> </p>
<p class=note>27 de marzo de 2023<br>
</div>
</section>
<div class="slide clear anchor-bottom" id="about">
<h1>¿Quién soy?</h1>
<div class="author">
<img src="https://avatars.githubusercontent.com/u/909629?v=4" class="avatar">
<div>
<p class="name">David Charte</p>
<a href="mailto:david@deivi.ch" ><david@deivi.ch></a>
<ul>
<li>Informático y matemático</li>
<li>Doctor en TIC</li>
<li>(Ex-)docente en la UGR</li>
<li>Co-fundador de <a href="https://libreim.github.io"><img src="https://libreim.github.io/assets/images/logo.png" alt="Logo LibreIM" style="height:1em; display: inline; vertical-align: top"> LibreIM</a></li>
</ul>
</div>
</div>
<div class="space"></div>
<div class="box" style="font-size: 1.2rem">Sigue la presentación en <strong><a href="https://deivi.ch/dl/">deivi.ch/dl/</a></strong></div>
</div>
<section class="slide clear" id="toc">
<h1>Índice</h1>
<ol class="maketoc"></ol>
<p> </p>
<p> </p>
<!-- <div class="box next">Sigue la presentación en <a href="https://deivi.ch/defensa">deivi.ch/defensa</a></div> -->
</section>
<section class="cover slide clear " id="teoria">
<img class="cover" src="images/fondo_portada.png"
alt="Abstract nodes and connections" />
<h1>La teoría</h1>
</section>
<section id="moti1" class="slide fade-in">
<h1>Motivación</h1>
<div class="box secondary">
<strong>Objetivo</strong><br>
Queremos un modelo que generalice una serie de puntos
</div><p></p>
<strong>Idea:</strong> interpolar los puntos con funciones "simples"
<div class="incremental in-place">
<div class="flex">
<div>
<img src="images/initial.png" style="max-height: 300px;">
</div>
<p>$$f(x)=A+Bx$$</p>
</div>
<div class="flex">
<div>
<img src="images/arriba.gif" style="max-height: 300px;">
</div>
<p>$$f(x)=A+Bx+Cx^2+Dx^3+Ex^4$$</p>
</div>
<div class="flex">
<div>
<img src="images/abajo.gif" style="max-height: 300px;">
</div>
<p>$$f(x)=A+Bx+Cx^2+Dx^3+Ex^4$$</p>
</div>
</div>
</section>
<section id="moti4" class="slide">
<img src="images/interp_vs_aprox.png" style="max-height: 440px;">
</section>
<section id="moti5" class="slide">
<img src="images/chad.png" style="max-height: 380px;">
<p class="center">
\(f(x)=A+Bx\) ...ajustando \(A,B\) para <em>mínimo error</em>
</p>
</section>
<section id="moti6" class="slide">
<img src="images/plano.png" style="max-height: 380px;">
<p class="center">
\(f(x_1,x_2)=A+Bx_1+Cx_2\) ...ajustando \(A,B,C\) para <em>mínimo error</em>
</p>
</section>
<section id="moti7" class="slide fade-in">
<p class="center"><strong>¿Más variables?</strong></p>
<p class="center">
\(\displaystyle f(\textbf{x})=\sum_i w_i\textbf{x}_i\) ...ajustando \(w_i\) para <em>mínimo error</em>
</p>
<div class="incremental in-place">
<img src="images/imagination" style="max-height: 300px;">
<div>
<img src="images/neurona.svg" />
<p class="shout center next">"neurona"</p>
</div>
</div>
</section>
<section id="moti8" class="slide">
<h1>Construyendo una red (paso 1)</h1>
<div class="flex">
<div class="incremental">
<div><strong>Más neuronas</strong><p></p></div>
<div>$$\begin{align*}f(\textbf{x})&=W\textbf{x}\\W&=\begin{pmatrix}w_{11}&w_{12}&\dots&w_{1n}\\w_{21}&w_{22}&\dots&w_{2n}\\w_{31}&w_{32}&\dots&w_{3n}\\\vdots&\vdots&\ddots&\vdots\\w_{m1}&w_{m2}&\dots&w_{mn}\end{pmatrix}\end{align*}$$<p></p>
</div>
<div class="shout center">"capa"</div>
</div>
<img src="images/capa.svg" style="height: 380px" />
</div>
</section>
<section id="moti9" class="slide">
<h1>Construyendo una red (paso 2)</h1>
<div class="flex">
<div class="incremental">
<strong>Más capas</strong><span>\(f(\textbf{x})=W''(W'(W\textbf{x}))\)</span>
</div>
<img src="images/reddensa.svg" style="height: 340px" />
</div>
</section>
<section id="moti9.5" class="slide">
<h1>Falta algo...</h1>
<div class="incremental flex">
<img src="images/outputlineal.png" style="width: 50%;" />
<div class="center" style="width: 30%; flex-grow: 0;">
<img src="images/fry.png" />
<p></p><strong>Demasiado lineal</strong>
</div>
</div>
</section>
<section id="moti10" class="slide">
<h1>Construyendo una red (paso 3)</h1>
<div class="incremental">
<p><strong>Funciones de activación</strong><span>\(f(\textbf{x})=\sigma''(W''\sigma'(W'\sigma(W\textbf{x})))\) con \(\sigma\) <em>no lineal</em>, p.ej:</span></p>
<img src="images/activaciones.png" style="height: 340px" />
</div>
</section>
<section id="moti11" class="slide">
<iframe src="https://codesandbox.io/embed/neuralnet-playground-plotly-ud15yt?fontsize=14&hidenavigation=1&theme=dark"
style="width:100%; height:430px; border:0; border-radius: 4px; overflow:hidden;"
title="neuralnet-playground-plotly"
></iframe>
</section>
<section id="moti11-5" class="slide cover">
<img src="images/uniaprox1.png" class="periodico primero">
<img src="images/uniaprox3.png" class="periodico tercero">
<img src="images/uniaprox2.png" class="periodico segundo">
</section>
<section id="moti12" class="slide">
<h1>Resumen</h1>
<div class="incremental in-place">
<img src="images/supernenas1.png" style="height: 380px">
<img src="images/supernenas2.png" style="height: 380px">
<img src="images/supernenas3.png" style="height: 380px">
<img src="images/supernenas4.png" style="height: 380px">
</div>
</section>
<section id="moti13" class="slide">
<h1>Hay que entrenar!</h1>
<div class="flex stretch incremental">
<div class="box secondary">
<h2>1. <i>Forward pass</i></h2>
<p><strong>Propagar hacia adelante:</strong> Computar la salida de la red para unos datos</p>
</div>
<div class="box">
<h2>2. Calcular error</h2>
<p><strong>Funciones de error:</strong> Comparar la salida de la red con la deseada</p>
</div>
<div class="box">
<h2>3. <i>Backprop</i></h2>
<p><strong>Propagación hacia atrás:</strong> Técnica para calcular las derivadas del error respecto de cada parámetro</p>
</div>
<div class="box">
<h2>4. SGD</h2>
<p><strong>Descenso del gradiente estocástico:</strong> Estrategia para optimizar los parámetros buscando el mínimo error</p>
</div>
</div>
</section>
<section class="slide" id="moti14">
<h1>¿Ya está?</h1>
<div class="incremental">
<div class="shout center"><b>casi.</b></div>
<p>¿Y si tenemos <strong>datos estructurados</strong>?</p>
</div>
<div class="flex stretch">
<div class="box secondary next">
<h2>Texto y señales</h2>
<ul class="left">
<li>Unidades recurrentes: LSTM, GRU</li>
<li>Transformers (<strong>GPT</strong>!)</li>
</ul>
</div>
<div class="box next">
<h2>Imágenes y vídeo</h2>
<ul class="left">
<li>Redes convolucionales</li>
</ul>
</div>
</div>
</section>
<div id="cnn" class="slide cover clear">
<img class="cover" src="images/fondo_portada.png"
alt="Abstract nodes and connections" />
<h1>Redes convolucionales</h1>
</div>
<section id="cnn1" class="slide">
<h1>Operación de convolución</h1>
<img src="images/cnn.gif" alt="Capa convolucional" style="margin: -4rem auto;">
<p class="center">
\(W\) es <strong>más pequeña</strong> que en la capa densa \(\Rightarrow\) mejor rendimiento con menos parámetros
</p>
</section>
<section id="cnn2" class="slide">
<h1>Filtros convolucionales</h1>
<div class="flex">
<img src="images/kernel.png" alt="Efectos de diferentes kernels en una misma fotografía">
<div class="box">En la red convolucional, los <i>kernels</i> se aprenden entrenando</div>
</div>
</section>
<div id="cnn3" class="slide">
<h1>Estructura de una red</h1>
<p>En general, <strong>3 opciones</strong>:</p>
<div class="flex stretch">
<div class="box secondary">
<img src="images/encoder.svg" alt="Encoder imagen->código">
</div>
<div class="box secondary">
<img src="images/decoder.svg" alt="Encoder imagen->código">
</div>
<div class="box secondary">
<img src="images/encdec.svg" alt="Encoder imagen->código">
</div>
</div>
</div>
<div id="cnn6-1" class="slide anchor-bottom">
<h1>Estructura de una red</h1>
<div class="space"></div>
<div class="flex narrow">
<div style="flex-grow: 0">
<img src="images/encoder.svg" alt="Encoder imagen->código">
<p class="center"><strong>Encoder</strong></p>
<ul>
<li>Clasificación</li>
<li>Regresión</li>
<li>Detección de objetos</li>
</ul>
</div>
<div>
<img src="images/yolo.png" alt="YOLO">
</div>
</div>
<div class="space"></div>
</div>
<div id="cnn6-2" class="slide anchor-bottom">
<h1>Estructura de una red</h1>
<div class="space"></div>
<div class="flex narrow">
<div style="flex-grow: 0">
<img src="images/decoder.svg" alt="Decoder código->imagen">
<p class="center"><strong>Decoder</strong></p>
<ul>
<li>Generación</li>
</ul>
</div>
<div>
<img src="images/stylegan.png" alt="StyleGAN">
</div>
</div>
<div class="space"></div>
</div>
<div id="cnn6-3" class="slide anchor-bottom">
<h1>Estructura de una red</h1>
<div class="space"></div>
<div class="flex narrow">
<div >
<img src="images/encdec.svg" alt="Encoder-decoder">
</div>
<div>
<p class="center"><strong>Encoder-decoder</strong></p>
<ul>
<li>Segmentación</li>
<li>Cambio de estilo</li>
<li>...</li>
</ul>
</div>
</div>
<div>
<img src="images/segmentation.png" alt="Ejemplo segmentación">
</div>
<div class="space"></div>
</div>
<div id="cnn7" class="slide">
<h1>Operaciones comunes</h1>
<div class="flex stretch incremental">
<div class="box secondary">
<div class="flex nowrap">
<div>
<h2>Convolución</h2>
<p>Extraer características a partir de imágenes</p>
</div>
<img src="images/convop.gif" alt="Convolución" style="width: 3em;">
</div>
</div>
<div class="box secondary">
<div class="flex nowrap">
<div>
<h2><i>Pooling</i></h2>
<p>Reducir el ancho y alto de los filtros</p>
</div>
<img src="images/convstrides.gif" alt="Agregación" style="width: 3em;">
</div>
</div>
<div class="box secondary">
<div class="flex nowrap">
<div>
<h2>Convolución traspuesta</h2>
<p>Operación inversa de la convolución</p>
</div>
<img src="images/deconv.gif" alt="Deconvolución" style="width: 3em;">
</div>
</div>
<div class="box secondary">
<div class="flex nowrap">
<div>
<h2><i>Skip connections</i></h2>
<p>Recuperar información de pasos previos</p>
</div>
<img src="images/skipcon.png" alt="Skip connection" style="width: 3em;">
</div>
</div>
</div>
</div>
<div id="cnn4" class="slide">
<h1>Ejemplos (I)</h1>
<img src="images/vgg16.png" alt="VGG-16">
<p class="center">VGG-16 para clasificación/detección</p>
</div>
<div id="cnn5" class="slide">
<h1>Ejemplos (II)</h1>
<img src="images/dcgan.png" alt="DCGAN">
<p class="center">DCGAN: <i>deep convolutional generative adversarial network</i></p>
</div>
<div id="cnn6" class="slide">
<h1>Ejemplos (III)</h1>
<img src="images/unet.png" alt="DCGAN" style="height: 21em">
<p class="center">UNet para segmentación</p>
</div>
<div class="slide cover clear" id="impl">
<img class="cover" src="images/fondo_portada.png"
alt="Abstract nodes and connections" />
<h1>Implementación</h1>
</div>
<div class="slide anchor-bottom" id="impl1">
<h1>Lenguajes de programación</h1>
<div class="space"></div>
<div class="flex incremental stretch">
<div class="box secondary">
<p><img src="images/Python.svg" alt="Logo Python"></p>
<p><strong>Python</strong></p>
</div>
<div class="box secondary">
<p>
<img src="images/c++.svg" alt="Logo C++" style="width:30%; margin: 0 .4rem; display: inline-block;">
<img src="images/js.png" alt="Logo JavaScript" style="width:30%; margin: 0 .4rem; display: inline-block;">
<img src="images/r.svg" alt="Logo R" style="width:30%; margin: 0 .4rem; display: inline-block;">
<img src="images/julia.svg" alt="Logo Julia" style="width:30%; margin: 0 .4rem; display: inline-block;">
</p>
</div>
</div>
<div class="space"></div>
<div class="space"></div>
</div>
<div class="slide anchor-bottom" id="impl2">
<h1>Frameworks</h1>
<div class="flex incremental ultranarrow stretch" style="margin: 0 5rem; gap: .5rem">
<div class="box secondary">
<p><strong>TensorFlow</strong></p>
<p><img src="images/tf.png" alt="Logo Tensorflow"></p>
</div>
<div class="box secondary">
<p><strong>Pytorch</strong></p>
<img src="images/pytorch.png" alt="Logo Pytorch">
</div>
<div class="box secondary">
<p>
<img src="images/mxnet.png" alt="Logo MXNet">
<img src="images/jax.png" alt="Logo Jax">
<img src="images/flux.png" alt="Logo Flux">
</p>
</div>
</div>
<div class="space"></div>
<img src="images/library_trends.png" class="next" alt="Google trends para Tensorflow, Pytorch y otras bibliotecas">
</div>
<div class="slide cover clear" id="impl3">
<div class="incremental in-place">
<img src="images/isthisatensor.jpg" alt="Any matrix. Is this a tensor?">
<img src="images/tensors.png" alt="95 páginas de tensores en Wikipedia">
</div>
</div>
<div id="impl4" class="slide">
<p class="center"><img src="images/vgg16.png" alt="VGG-16" style="height: 5em; display: inline-block;">
<img src="images/Python.svg" alt="Logo Python" style="height: 5em; display: inline-block;">
<img src="images/tf.png" alt="Logo Tensorflow" style="height: 5em; display: inline-block;"></p>
<pre><code style="max-height: 19em; overflow: auto;"># Block 1
x = Conv2D(64, (3, 3), activation="relu", padding="same", name="block1_conv1")(img_input)
x = Conv2D(64, (3, 3), activation="relu", padding="same", name="block1_conv2")(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name="block1_pool")(x)
# Block 2
x = Conv2D(128, (3, 3), activation="relu", padding="same", name="block2_conv1")(x)
x = Conv2D(128, (3, 3), activation="relu", padding="same", name="block2_conv2")(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name="block2_pool")(x)
# Block 3
x = Conv2D(256, (3, 3), activation="relu", padding="same", name="block3_conv1")(x)
x = Conv2D(256, (3, 3), activation="relu", padding="same", name="block3_conv2")(x)
x = Conv2D(256, (3, 3), activation="relu", padding="same", name="block3_conv3")(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name="block3_pool")(x)
# Block 4
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block4_conv1")(x)
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block4_conv2")(x)
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block4_conv3")(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name="block4_pool")(x)
# Block 5
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block5_conv1")(x)
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block5_conv2")(x)
x = Conv2D(512, (3, 3), activation="relu", padding="same", name="block5_conv3")(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name="block5_pool")(x)
# Classification block
x = Flatten(name="flatten")(x)
x = Dense(4096, activation="relu", name="fc1")(x)
x = Dense(4096, activation="relu", name="fc2")(x)
x = Dense(classes, activation=classifier_activation, name="predictions")(x)
</code></pre>
<p class="center">Fuente: <a href="https://github.com/keras-team/keras/blob/v2.11.0/keras/applications/vgg16.py#L48">keras-team/keras/keras/applications/vgg16.py</a></p>
</div>
<div id="impl5" class="slide">
<h1>Recursos</h1>
<div class="incremental in-place">
<video src="https://media3.giphy.com/media/ZQBH5pvoyiZSE/giphy.mp4?cid=ecf05e47oiasmlzsa6tjukdfoqn527jyjxsbxej7p12phlka&rid=giphy.mp4&ct=g" autoplay loop playsinline style="width: 100%"></video>
<div>
<img src="images/gpu.jpg" alt="GPU NVidia gaming" style="height: 20rem">
<p class="center"><strong>Tu GPU gaming:</strong> Para modelos pequeños</p>
</div>
<div>
<img src="images/a100.jpg" alt="GPU NVidia A100" style="height: 20rem">
<p class="center">NVIDIA A100: <a href="https://github.com/Stability-AI/stablediffusion"><strong>Stable Diffusion</strong></a> se entrenó en una de estas</p>
</div>
<div>
<img src="images/dgxa100.jpg" alt="Servidor NVidia DGX A100" style="height: 20rem">
<p class="center">DGX A100: Tiene 8x NVIDIA A100 (hasta <strong>640 GB VRAM!</strong>)</p>
</div>
</div>
</div>
<div id="apli" class="slide cover clear">
<img class="cover" src="images/fondo_portada.png"
alt="Abstract nodes and connections" />
<h1>Aplicaciones</h1>
</div>
<div id="apli1" class="slide">
<h1>Algunas aplicaciones</h1>
<div class="flex incremental stretch">
<div class="box secondary">
<p><strong>Ámbito industrial</strong></p>
<ul class="left">
<li>Control de calidad</li>
<li>Análisis de materiales</li>
</ul>
</div>
<div class="box secondary">
<p><strong>Medicina</strong></p>
<ul class="left">
<li>Asistencia al diagnóstico: TACs, resonancias, radiografías</li>
</ul>
</div>
<div class="box secondary">
<img src="images/recaptcha.png" alt="ReCAPTCHA de Google" style="height: 12rem; float: right;">
<p><strong>Transporte</strong></p>
<ul class="left">
<li>Vehículos autónomos</li>
</ul>
</div>
<div class="box secondary">
<p><strong>Redes sociales</strong></p>
<ul class="left">
<li>Etiquetado de personas</li>
<li>Detección de lugares</li>
<li>Detección de contenido no permitido</li>
</ul>
</div>
</div>
</div>
<div id="apli2" class="slide anchor-bottom">
<h1>Casos de aplicación</h1>
<div class="space"></div>
<div class="box secondary">
<strong>Detección de COVID en radiografías</strong>
<p>
<i>COVIDGR Dataset and COVID-SDNet Methodology for Predicting COVID-19 Based on Chest X-Ray Images</i>.
S Tabik, A Gomez-Rios, J L Martin-Rodriguez, I Sevillano-Garcia, M Rey-Area, D Charte, E Guirado, J L Suarez, J Luengo, M A Valero-Gonzalez, P Garcia-Villanova, E Olmedo-Sanchez, F Herrera. <a href="https://doi.org/10.1109/jbhi.2020.3037127">10.1109/jbhi.2020.3037127</a>
</p>
</div>
<div class="space"></div>
<div class="box secondary">
<strong>Identificación de fases del acero</strong>
<p>
<i>A tutorial on the segmentation of metallographic images: Taxonomy, new
MetalDAM dataset, deep learning-based ensemble model, experimental
analysis and challenges</i>.
J Luengo, R Moreno, I Sevillano, D Charte, A Peláez-Vegas,
M Fernández-Moreno, P Mesejo, F Herrera. <a href="https://doi.org/10.1016/j.inffus.2021.09.018">10.1016/j.inffus.2021.09.018</a>
</p>
</div>
<div class="space"></div>
</div>
<div id="apli3" class="slide">
<h1>Detección de COVID: datos disponibles</h1>
<p class="center">4 tipos de positivo</p>
<img src="images/covid1.png" alt="Severidad de síntomas en radiografías" style="height: 22rem">
</div>
<div id="apli4" class="slide">
<h1>Preprocesamiento de los datos</h1>
<p class="center">Recorte y transformación de clases</p>
<img src="images/covidpreproc.png" alt="Recortes y transformaciones" style="height: 22rem">
</div>
<div id="apli4-5" class="slide">
<h1>Trabajo previo</h1>
<img src="images/covidnetcaps.png" alt="Resultados de COVIDNet y COVID-CAPS" style="">
<div class="incremental in-place">
<div><img src="images/sorrywhat.jpg" style="height: 18rem"></div>
<div class="anchor-bottom">
<div class="space"></div>
<img src="images/covidx.png" alt="Orígenes de los datos del dataset COVIDx">
<div class="space"></div>
</div>
</div>
</div>
<div id="apli5" class="slide">
<h1>Modelo base: ResNet-50</h1>
<img src="images/resnet50.png" alt="Modelo ResNet-34">
</div>
<div id="apli6" class="slide">
<h1>Explicaciones del modelo</h1>
<img src="images/covidgradcam.png" alt="GradCAM para clase positiva" style="height: 10.5rem">
<img src="images/covidgradcam2.png" alt="GradCAM para clase negativa" style="height: 11.25rem">
<p class="center">Usamos <a href="https://arxiv.org/pdf/1610.02391.pdf"><strong>GradCAM</strong></a> para identificar regiones que activan cada clase</p>
</div>
<div id="apli7" class="slide">
<h1>Resultados finales</h1>
<img src="images/covidresults.png" alt="Modelo ResNet-34">
</div>
<div id="apli8" class="slide">
<h1>Metalografías: datos disponibles</h1>
<p class="center">5 fases del material: matriz, austenita, martensita-austenita, precipitado y defectos</p>
<p class="center">42 imágenes etiquetadas, <strong>164 sin etiquetar</strong></p>
<img src="images/metal1.png" alt="Severidad de síntomas en radiografías" style="max-height: 22rem">
</div>
<div id="apli9" class="slide">
<h1>Modelos probados</h1>
<div class="incremental in-place">
<div>
<img src="images/unet2.png" alt="Unet" style="height: 15rem">
<p class="center"><strong>UNet</strong></p>
</div>
<div>
<img src="images/pixelnet.png" alt="Pixelnet" style="height: 15rem">
<p class="center"><strong>PixelNet</strong></p>
</div>
<div>
<img src="images/fpn.png" alt="FPN" style="height: 20rem">
<p class="center"><strong>Feature Pyramid Network</strong></p>
</div>
<div>
<img src="images/usss.png" alt="USSS" style="height: 20rem">
<p class="center"><strong>Universal Semi-supervised Segmentation</strong></p>
</div>
</div>
</div>
<div id="apli9-5" class="slide">
<h1>Transfer learning</h1>
<img src="images/transfer.png" alt="Loss graph">
</div>
<div id="apli10" class="slide">
<h1>Propuesta</h1>
<div>
<img src="images/amve.png" alt="AMVE" style="height: 20rem">
<p class="center"><strong>Artificial Multiview Ensemble</strong></p>
</div>
</div>
<div id="conclusiones" class="slide blur">
<h1>Moralejas y comentarios</h1>
<ul class="incremental">
<li>Más vale tener buenos datos que buenos modelos</li>
<li>Modelos sin explicaciones no valen de mucho</li>
<li><i>Deep Learning</i> no es la panacea: <a href="https://arxiv.org/pdf/2303.01494.pdf">Clustering?</a> <a href="https://catboost.ai/">CatBoost?</a></li>
<li>Tener buenos datos bien etiquetados es muy costoso</li>
<li>Entrenar muchos modelos es muy costoso</li>
</ul>
<div class="flex stretch next">
<div class="box secondary"><img src="images/openaikenya.png" alt="Exclusive: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic"></div>
<div class="box secondary"><img src="images/energyai.png" alt="Training a single AI model can emit as much carbon as five cars in their lifetimes"></div>
</div>
</div>
<div class="slide cover clear noshow" id="onemore" style="background-image: linear-gradient(black, black, purple); color: white">
<h1 style="font-weight: 100; font-size: 300%">One more thing...</h1>
</div>
<div id="stablediffusion noshow" class="slide">
<h1>Stable Diffusion!</h1>
<div class="incremental in-place">
<div>
<img src="images/epicsunset.png" alt="Epic sunset" style="height: 20rem">
<p class="center">epic photo of a sunset over a cliff, ocean, dolphins, big tree, realistic</p>
</div>
<div>
<img src="images/stabledif.svg" alt="Diagrama Stable Diffusion">
<p class="center">aka <a href="https://beta.dreamstudio.ai/">DreamStudio</a>. Paper: <a href="https://arxiv.org/abs/2303.01494">arxiv.org/abs/2303.01494</a></p>
</div>
</div>
</div>
<div id="demo" class="slide">
<h1>Manos a la obra: <a href="https://deivi.ch/dl/colab">deivi.ch/dl/colab</a></h1>
<img src="images/gandalf.jpg" alt="Gandalf entrenando convolucionales en su macbook">
</div>
<script>
(function() {
let toc_slide = document.querySelector(".maketoc")
let current_section = ""
let current_section_id = ""
let slides = document.querySelectorAll(".slide")
for (let i = 0; i < slides.length; ++i) {
if (slides[i].classList.contains("cover") && !slides[i].classList.contains("titleslide")) {
if (slides[i].querySelector("h1")) {
current_section = slides[i].querySelector("h1").textContent;
current_section_id = slides[i].id;
if (slides[i].classList.contains("noshow")) continue;
toc_slide.insertAdjacentHTML('beforeend', `<li><a class=internal href="#${current_section_id}">${current_section}</a></li>`)
}
} else if (!slides[i].classList.contains("clear")) {
slides[i].insertAdjacentHTML('beforeend', `<footer><a class=internal href="#${current_section_id}">${current_section}</a></footer>`)
}
}
})()
</script>
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.16.4/dist/katex.min.js" integrity="sha384-PwRUT/YqbnEjkZO0zZxNqcxACrXe+j766U2amXcgMg5457rve2Y7I6ZJSm2A0mS4" crossorigin="anonymous"></script>
<!-- automatically render math in text elements -->
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.16.4/dist/contrib/auto-render.min.js" integrity="sha384-+VBxd3r6XgURycqtZ117nYw44OOcIax56Z4dCRWbxyPt0Koah1uHoK0o4+/RRE05" crossorigin="anonymous"></script> <script>
document.addEventListener("DOMContentLoaded", function() {
renderMathInElement(document.body, {
// customised options
// • auto-render specific keys, e.g.:
delimiters: [
{left: '$$', right: '$$', display: true},
{left: '\\(', right: '\\)', display: false},
{left: '\\[', right: '\\]', display: true}
],
// • rendering keys, e.g.:
throwOnError : false
});
});
</script>
<link rel="stylesheet" href="assets/css/nord.min.css">
<script defer src="assets/js/highlight.min.js"></script>
<script>window.addEventListener("load", function() {hljs.highlightAll();})</script>
</body>
</html>