adriaciurana

# Cargamos la clase para generar modelos sequenciales
from keras.models import Sequential 
# Cargamos las siguientes capas
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten

model = Sequential()
# Bloque 1:
# - Conv1a: neuronas=128, ventana=(3,3), activacion=ReLU.
# - Conv1b: neuronas=256, ventana=(3,3), activacion=ReLU.
# - Max-pooling: ventana=(3,3), stride=2.

adriaciurana

import numpy as np
import keras
from keras.preprocessing.image import ImageDataGenerator

# Indicamos Cada correspondiente carpeta
TRAIN_FOLDER = './dogscats/train/'
VAL_FOLDER = './dogscats/valid/'

# Indicamos como se cogeran las imagenes de entrenamiento y si habrá data-aumentation.
# Basicamente para tener más ejemplos, 

adriaciurana

adriaciurana

A = roty(-30); B = 2; C = rotx(45);
[A2, B2, C2] = svd(A*B*C);

if(sum(sum(abs(A2)-abs(A))) < 1e-10 && ...
        sum(sum(abs(B2)-abs(B))) < 1e-10 && ...
        sum(sum(abs(C2)-abs(C))) < 1e-10)
    disp('La descomposicion da como resultado A, B, C iguales en magnitud');
end

adriaciurana

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from mpl_toolkits.mplot3d import Axes3D

# numero iteraciones
ITERS = 10000

# learning rate
LR = 0.0000000001