Evaluación comparativa del rendimiento de Redes Neuronales Convolucionales yTransfer Learning utilizando TensorBoard 2.13.0

• Julián Flores Figueroa ^[1] ; Jalil Gerardo Espinoza Zepeda ^[1]
  1. [1] Universidad Estatal de Sonora

     Universidad Estatal de Sonora

     México

     
• Localización: Temas fundamentales en la investigación educativa / coord. por Erika Marisol Ruiz Castillo, María del Carmen Remigio Montero, Armando M. Ibarra López, Luis Alfonso Pérez Romero, 2024, ISBN 978-84-09-64301-1, págs. 92-109
• Idioma: español
• Títulos paralelos:
  • Comparative Evaluation of the Performance of Convolutional Neural Networks and Transfer LearningUsing TensorBoard 2.13.0
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    Esta investigación examinó los resultados del entrenamiento de una Red Neuronal Convolucional (CNN) y el modelo de aprendizaje por transferencia (TL). Proporcionando una visión completa deldesempeño y efectividad en tareas de clasificación registrando métricas tales como precisión (accuracy) y pérdida (loss) a lo largo de varios períodos de tiempo e iteraciones. El entrenamiento dela red de tipo CNN mostró una mejora constante en la precisión iniciando en 0.5295 hasta 0.874, lo que demuestra la capacidad del modelo para aprender y generalizar (Sandler et al., 2018). La pérdida se redujo gradualmente de 0.9929 a 0.3013, lo que demuestra una capacidad predictiva mejorada (Chollet, 2016). En la evaluación, la CNN demostró ajustes finos y una mejora gradual en la eficiencia del modelo, alcanzando una precisión de 0.768 después de 2,000 iteraciones y una pérdida estabilizadade 0.485.Sin embargo, el Transfer Learning demostró una rápida convergencia hacia una precisión perfecta (1.0) desde etapas tempranas del entrenamiento, con una pérdida mínima desde las primeras iteraciones, lo que indica una alta capacidad de generalización y ajuste eficiente del modelo (Pan y Yang, 2010). Lacomparación de ambos métodos mostró que el Transfer Learning era más eficiente en términos de rapidez y precisión, mientras que la CNN demostró un progreso gradual pero constante. Estainvestigación subraya la importancia de elegir el enfoque adecuado según las necesidades específicas del problema y los recursos disponibles, y reafirma la importancia de un entrenamiento y evaluación rigurosos para asegurarse de que los modelos sean robustos y aplicables en escenarios de clasificación reales.

  • English

    This research examined the results of training a Convolutional Neural Network (CNN) and the Transfer Learning (TL) model. It provides a comprehensive view of performance and effectiveness in classification tasks by recording metrics such as accuracy and loss over various time periods and iterations. The training of the CNN showed a consistent improvement in accuracy, starting from 0.5295 up to 0.874, demonstrating the model's ability to learn and generalize (Sandler et al., 2018). The loss gradually decreased from 0.9929 to 0.3013, indicating improved predictive capability (Chollet, 2016).In the evaluation, the CNN demonstrated fine-tuning and a gradual improvement in model efficiency, reaching an accuracy of 0.768 after 2,000 iterations and a stabilized loss of 0.485. However, Transfer Learning showed rapid convergence towards perfect accuracy (1.0) from the early stages of training, with minimal loss from the initial iterations, indicating a high capacity for generalization and efficient model fitting (Pan and Yang, 2010). The comparison of both methods showed that Transfer Learning was more efficient in terms of speed and accuracy, while the CNNdemonstrated gradual but consistent progress. This research underscores the importance of selecting the appropriate approach based on the specific needs of the problem and available resources, and reaffirms the importance of rigorous training and evaluation to ensure that models are robust and applicable in real classification scenarios.