TFGUEX 2019 Costa Miguel

UNIVERSIDAD DE EXTREMADURA
E SCUELA P OLIT ÉCNICA
G RADO EN I NGENIER ÍA I NFORM ÁTICA EN I NGENIER ÍA DEL

S OFTWARE
T RABAJO F IN DE G RADO
Clasificación Morfológica de Imágenes de Galaxias Mediante Técnicas de

Deep Learning
UNIVERSIDAD DE EXTREMADURA
E SCUELA P OLIT ÉCNICA
G RADO EN I NGENIER ÍA I NFORM ÁTICA EN I NGENIER ÍA DEL

S OFTWARE
T RABAJO F IN DE G RADO
Clasificación Morfológica de Imágenes de Galaxias Mediante Técnicas de

Deep Learning
Autor: Luis Antonio Costa Miguel
Tutor: Juan Antonio Rico Gallego

Resumen
En este trabajo se ha realizado un estudio de alternativas basadas en Deep Learning

(Aprendizaje Profundo) para la clasificación de galaxias en base a su morfologı́a. En
particular, dentro del marco de Deep Learning, se hará uso de Keras. Esta es una
biblioteca de código abierto y de bastante uso para este tipo de trabajos, sobre todo,
en las primeras etapas de aprendizaje de Deep Learning, donde esta tecnologı́a puede
resultar bastante compleja.
Las categorı́as por las cuales se van a clasificar serán elipticas, espirales,
lenticulares e irregulares. Durante el desarrollo de este documento se dará una mayor
información con ejemplos de cada una de estas categorı́as.
Me apoyaré en un conjunto (dataset) compuesto por una gran cantidad de imágenes
de cada uno de los tipos de galaxias informadas anteriormente. El origen de estas
imágenes no estaba indicado en la página donde las obtuve pero, según investigaciones
realizadas posteriormente, parece que provienen de algún telescopio. Este conjunto de
imágenes está disponible de forma abierta en internet.
Se hará un estudio detallado sobre las diversas posibilidades que Keras nos ofrece
para este tipo de trabajos, haciendo uso de técnicas ya incluidas en la propia librerı́a
y otras que serán desarrolladas por el autor del TFG. En este documento no se
presentarán todas las pruebas realizadas durante el desarrollo de este TFG, solo se irán
mostrando aquellas cuyos resultados obtenidos considere que son más interesantes.
Posteriormente, se mostrarán funcionalidades que se pueden aplicar sobre el modelo
resultante del entrenamiento realizado.
Índice general
1. Introducción 1
1.1. Presentación de los capı́tulos . . . . . . . . . . . . . . . . . . . . . . 3
2. Objetivos 5
2.1. Objetivo Principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Objetivos Adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Estado del Arte 7

3.1. Inteligencia Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2. Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3. Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4. Metodologı́a 17
4.1. Datasets (Conjunto de datos) . . . . . . . . . . . . . . . . . . . . . . 18
4.1.1. Galaxias elı́pticas - Edge . . . . . . . . . . . . . . . . . . . . 21
4.1.2. Galaxias espirales - Spiral . . . . . . . . . . . . . . . . . . . 21
4.1.3. Galaxias lenticulares - Smooth . . . . . . . . . . . . . . . . . 22
4.1.4. Galaxias irregulares - Other . . . . . . . . . . . . . . . . . . 23
4.2. Herramientas Hardware . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3. Herramientas software . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.4. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4.1. Como funciona una Red Neuronal y sus Pesos . . . . . . . . 30
4.4.2. Capas de una Red Neuronal . . . . . . . . . . . . . . . . . . 31
III
4.4.3. Tipos de Redes Neuronales . . . . . . . . . . . . . . . . . . . 33
4.4.4. Redes Neuronales con Keras . . . . . . . . . . . . . . . . . . 34
5. Implementación y desarrollo 35
5.1. Organización del trabajo . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2. Bloques del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.1. Aumento de la cantidad de imágenes usadas . . . . . . . . . . 40
5.2.2. Preparación de las imágenes para el entrenamiento . . . . . . 45
5.2.3. Creación del modelo . . . . . . . . . . . . . . . . . . . . . . 48
5.2.4. Compilación del modelo . . . . . . . . . . . . . . . . . . . . 55
5.2.5. Entrenamiento del modelo . . . . . . . . . . . . . . . . . . . 57
5.2.6. Resultados del entrenamiento . . . . . . . . . . . . . . . . . 59
6. Resultados 61
6.1. 1o Conjunto de Entrenamientos . . . . . . . . . . . . . . . . . . . . . 62
6.1.1. Dataset 1 - Muchas Imágenes con 4 clases de galaxias . . . . 66
6.1.2. Dataset 2 - Pocas Imágenes con 4 clases de galaxias . . . . . 69
6.1.3. Dataset 3 - Muchas Imágenes con 3 clases de galaxias . . . . 72
6.1.4. Dataset 4 - Pocas Imágenes con 3 clases de galaxias . . . . . 75
6.1.5. Realizando entrenamientos con diferentes Optimizadores . . . 79
6.2. 2o Conjunto de Entrenamientos . . . . . . . . . . . . . . . . . . . . . 84
6.3. Trabajando con los modelos obtenidos . . . . . . . . . . . . . . . . . 89
7. Conclusiones y trabajos futuros 101

Índice de tablas
5.1. Tabla imágenes para Entrenamiento . . . . . . . . . . . . . . . . . . 37

5.2. Tabla imágenes para Validación . . . . . . . . . . . . . . . . . . . . 37
5.3. Tabla imágenes para Test . . . . . . . . . . . . . . . . . . . . . . . . 37
6.1. Parámetros comunes en los Entrenamientos para todas las Redes

Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2. Resultados entrenamiento con el Dataset 1 . . . . . . . . . . . . . . . 68
6.6. Resultados entrenamiento con el Dataset 4 y optimizador SGD . . . . 81
6.7. Resultados entrenamiento con el Dataset 4 y optimizador Adagrad . . 83
6.8. Resultados entrenamientos con Dataset 1 . . . . . . . . . . . . . . . . 85
V
Índice de figuras
3.1. Relación Inteligencia Artificial con el Deep Learning . . . . . . . . . 7

3.2. Test de Turing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3. Lı́nea del Tiempo Inteligencia Artificial Hasta el Deep Learning . . . 13
4.1. Captura del telescopio Hubble . . . . . . . . . . . . . . . . . . . . . 19

4.2. Secuencia de Hubble . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3. Galaxia Edge E7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4. Galaxia Spiral SBa . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.5. Galaxia Smooth S0 . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.6. Galaxia Irregular . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.7. Gráfica Relación Entre Elementos Software . . . . . . . . . . . . . . 29
4.8. Perceptrón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.9. Partes de una Red Neuronal . . . . . . . . . . . . . . . . . . . . . . . 31
5.1. Estructura Proyecto Archivos Ejecución . . . . . . . . . . . . . . . . 39

5.2. Estructura Proyecto Bloques de Trabajo . . . . . . . . . . . . . . . . 40
5.3. Import de los Bloques de Trabajo . . . . . . . . . . . . . . . . . . . . 40
5.4. Aumento Dataset Entrenamiento . . . . . . . . . . . . . . . . . . . . 41
5.5. Aumento Dataset Validación . . . . . . . . . . . . . . . . . . . . . . 42
5.6. Aumento Dataset Test . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.7. Constructor del ImageDataGenerator . . . . . . . . . . . . . . . . . . 43
5.8. Bucle para generación de Imágenes . . . . . . . . . . . . . . . . . . 44
5.9. Ejemplo de la técnica Data Augmentation . . . . . . . . . . . . . . . 44
VII
5.10. Preparación Imágenes Para Entrenamiento . . . . . . . . . . . . . . . 45
5.11. Constructores del ImageDataGenerator . . . . . . . . . . . . . . . . . 46
5.12. Definición de los conjuntos de imágenes finales . . . . . . . . . . . . 47
5.13. Creación del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.14. Capa de Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.15. Ejemplo de Filtros a Diferentes Niveles de Abstracción . . . . . . . . 50
5.16. Capa Conv2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.17. Ejemplo de Capa Densa . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.18. Ejemplo de Capa Densa en keras . . . . . . . . . . . . . . . . . . . . 51
5.19. Activación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.20. Activación Relu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.21. Ejemplo Matriz Max-Pooling . . . . . . . . . . . . . . . . . . . . . . 53
5.22. Ejemplo Max-Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.23. Ejemplo Max-Pooling en Keras . . . . . . . . . . . . . . . . . . . . . 53
5.24. Ejemplo Capa Flatten en Keras . . . . . . . . . . . . . . . . . . . . . 54
5.25. Ejemplo Capa Dropout en Keras . . . . . . . . . . . . . . . . . . . . 54
5.26. Compilación del Modelo . . . . . . . . . . . . . . . . . . . . . . . . 55
5.27. Fórmula accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.28. Ejemplo método compile en Keras . . . . . . . . . . . . . . . . . . . 56
5.29. Entrenamiento del Modelo . . . . . . . . . . . . . . . . . . . . . . . 57
5.30. Ejemplo Función Fit Generator en Keras . . . . . . . . . . . . . . . . 58
5.31. Ejemplo Función Evaluate Generator en Keras . . . . . . . . . . . . . 58
5.32. Resultados del entrenamiento . . . . . . . . . . . . . . . . . . . . . . 59
6.1. Red Neuronal Creada desde Cero . . . . . . . . . . . . . . . . . . . . 62

6.2. Capas y Parámetros de la Red Neuronal . . . . . . . . . . . . . . . . 64
6.3. Resultados Entrenamiento 1 por Épocas . . . . . . . . . . . . . . . . 66
6.4. Gráfica 1 - Relación Precisión entre Entrenamiento y Validación en
cada una de las épocas . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.5. Gráfica 1 - Relación Pérdidas entre Entrenamiento y Validación en
6.15. Resultados Entrenamiento 4 con SGD por Épocas . . . . . . . . . . . 79
cada una de las épocas con SGD . . . . . . . . . . . . . . . . . . . . 80
cada una de las épocas con SGD . . . . . . . . . . . . . . . . . . . . 80
6.18. Resultados Entrenamiento 4 con Adagrad por Épocas . . . . . . . . . 81
cada una de las épocas con Adagrad . . . . . . . . . . . . . . . . . . 82
cada una de las épocas con Adagrad . . . . . . . . . . . . . . . . . . 82
6.21. Import de las Redes Neuronales de la librerı́a Applications . . . . . . 84
6.22. Ejemplo - Carga de la Red Neuronal VGG16 . . . . . . . . . . . . . 84
6.23. Imagen Original usada para el ejemplo . . . . . . . . . . . . . . . . . 89
6.24. Filtro capa de activación Relu . . . . . . . . . . . . . . . . . . . . . . 90
6.25. Filtro capa de activación Relu . . . . . . . . . . . . . . . . . . . . . . 90
6.26. Filtro capa de activación de la conv2d 1 . . . . . . . . . . . . . . . . 91
6.27. Filtro capa de activación de la max pooling2d 1 . . . . . . . . . . . . 91
6.34. Método para la carga del modelo . . . . . . . . . . . . . . . . . . . . 93
6.35. Método Predict . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.36. Imagen del Ejemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.37. Resultados del Ejemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . 95
Capı́tulo 1
Introducción
Durante los últimos años estamos viendo como el mundo de la tecnologı́a

está evolucionando a una velocidad endiablada. Estamos hoy en dı́a en pleno desarrollo
de los que algunos denominan la Cuarta Revolución Industrial o también llamada
Industria 4.0. Esta industria representa nuevas formas donde la tecnologı́a se integra
en las sociedades e incluso en el cuerpo humano. Está marcada por los avances
tecnológicos emergentes en varios campos, que incluyen: robótica, inteligencia
artificial, nanotecnologı́a, computación cuántica, biotecnologı́a, Internet de las cosas
(IoT), impresión 3D y vehı́culos autónomos.
El concepto de industria 4.0 surgió durante una Feria de Hanover (salón de la
tecnologı́a industrial) en el año 2011. Es uno de los proyectos clave de la estrategia
relativa a las tecnologı́as punta del gobierno alemán, que promueve la revolución
digital de las industrias. Consiste en la digitalización de la industria y todos los
servicios relacionados con la empresa. Lo más destacado de este nuevo tipo de
industria es la automatización. Especialmente este punto se destaca en las grandes
industrias, ya que permite interconectar las unidades de producción, crear redes de
producción digital y utilizar los recursos de forma mucho más eficiente. Los puntos
más importantes de esta nueva industria son:
Automatización
Conectividad
1
Información digital
Acceso digital al cliente y a otros usuarios en menor tiempo
La tecnologı́a avanza, y al igual que ella, las empresas deben hacerlo. Sin embargo,
muchas de ellas no están preparadas para estos cambios y tienen el riesgo de quedarse
desactualizadas.
En lo que a este proyecto afecta, una de las tecnologı́as que más estan favoreciendo
esta evolución es lo que llamamos Deep Learning. Es, en cierta manera, una parte
muy importante de lo que anteriormente hemos nombrado como uno de los campos
importantes en la llamada Industria 4.0 como es la Inteligencia Artificial.
Aunque la Inteligencia Artificial apareció sobre los años 50 con el fin de
automatizar las tareas intelectuales que normalmente realizan los humanos, no ha sido
hasta finales de la primera década del 2000 cuando ha empezado a despuntar gracias a
los grandes avances en la computación. Estos avances han permitido ejecutar procesos
en poco tiempo cuando anteriormente habrı́an tardado dı́as, semanas, meses o incluso
años. Fue entonces cuando nació el Deep Learing.
En la realización de este trabajo se ha hecho uso del Deep Learning con el fin
de clasificar imágenes de galaxias de manera automática. Se busca la realización
de entrenenamientos con la mayor precisión que esta herramienta nos pueda ofrecer
dentro de los conocimentos que se han ido adquiriendo en el desarrollo de este
proyecto. Esta clasificación se realizará según la morfologı́a de las diversas galaxias
que nos podemos encontrar en el espacio, apoyándonos en imágenes obtenidas a través
de satélites. Para ser más precisos, se ha hecho uso de la secuencia de Habble para
definir esta clasificación.
La secuencia del Hubble es un esquema de clasificación morfológica para
galaxias, inventado por Edwin Hubble en 1926. A menudo se le conoce coloquialmente
como el “diapasón de Hubble” debido a la forma en la que se representa
tradicionalmente. Aunque la secuencia de Habble está compuesta por tres tipos de
galaxias, para este trabajo en algunos entrenamientos, se ha incluido un nuevo tipo
definido como galaxias irregulares. Este tipo de galaxias no tienen una estructura
2
CAPÍTULO 1. INTRODUCCIÓN
regular obvia.
El conocimiento de una galaxia según su morfologı́a, permite a los astrónomos
conocer ya de antemano un conjunto de caracterı́sticas fı́sicas que están asociadas a un
tipo de galaxia en particular. También podrá agilizar la clasificación de un conjunto de
imágenes tomadas durante una jornada de trabajo evitando ası́ que el propio astrónomo
tenga que clasificarlas de forma manual.
Entrando más en detalle sobre el Deep Learing, este es un caso particular de redes
neuronales. Para este trabajo se hará uso de una red en particular que se denomina
redes neuronales convolucionales. Lo que se buscará más en detalle será la creación
de una red neuronal que mejor se adapte a la clasificación que se quiere desarrollar y
poder obtener los mejores resultados posibles.
En lo que se refiere a la implementación del proyecto, se ha centrado más en
el uso de una bibliotieca muy conocida en el mundo del Deep Learning como es
Keras. Es una biblbioteca de redes neuronales escrita en Python, muy sencilla y muy
recomendada para los que empiezan en este mundo del Deep Learning.
Durante esta documentación se entrará más en detalle, tanto de la tecnologı́a
con la que se ha desarrollado el proyecto, como con la información que nos
permitirá clasificar el conjunto de imágenes usadas.
1.1. Presentación de los capı́tulos
En esta sección se hará una introducción de los capı́tulos que se han ido
desarrollando en esta documentación.
Objetivos. En este capı́tulo se describe cuál es el objetivo principal por el que se

desarrolló este trabajo. Posteriormente se indicarán otros objetivos secundarios.
Estado del Arte. En este capı́tulo se describe más en detalle lo que es el Deep
Learning, de donde proviene, la evolución que ha ido desarrollando y lo que se
espera.
3
1.1. PRESENTACIÓN DE LOS CAPÍTULOS
Metodologı́a. En este capı́tulo se describen todas las tencologı́as empleadas,

tanto harware como software, para la realización correcta de este trabajo. Se
entrará más en detalle de lo que son las Redes Neuronales, las redes empleadas
en este trabajo con las diversas partes o capas que se han empleado en estas.
Implementación y Desarrollo. Se describen las diferentes partes en las que se

compone todo el desarrollo para poder realizar un entrenamiento en Keras.
Resultados. Se presentarán los diversos resultados que he ido obteniendo en las

distintas pruebas realizadas. Solo se presentarán aquellas cuyos resultados sean
más interesantes. También se expondrán algunos usos que se le puede dar al
modelo que se obtiene del entrenamiento.
Conclusiones. Se describen las conclusiones obtenidas de este trabajo y de los

resultados obtenidos de los diversos entrenamientos realizados.
4
Capı́tulo 2
Objetivos
En este apartado se va a detallar cuál ha sido el objetivo principal que se ha ido

persiguiendo a lo largo del desarrollo de este TFG y otros objetivos adicionales que se
pretenden cumplir con el desarrollo de este trabajo.
2.1. Objetivo Principal
En primer lugar hay que tener en cuenta que Deep Learning es una tecnologı́a cuya
principal motivación es la de facilitar la vida a las personas, facilitar el dı́a a dı́a. En mi
caso particular, el objetivo principal que se busca es que la propia máquina sea capaz
de clasificar imágenes con la mayor precisión posible. En concreto, que se le informe a
un usuario que tipo de galaxia es la que está observando en ese mismo instante, según
la clasificación morfológica de las galaxias. Facilitar el dı́a a dı́a de un astrónomo
mientras trabaja con un conjunto de imágenes de galaxias sin clasificar.
Este trabajo en particular serı́a de utilidad para astrónomos o gente que se dedica
directamente con temas de astronomı́a. También se podrı́a incluir a aquellos otros que
simplemente tienen la astronomı́a por afición.
5
2.2. OBJETIVOS ADICIONALES
2.2. Objetivos Adicionales

Como objetivos adicionales se consideran los siguientes:
Introducción a tecnologı́as de Inteligencia Artificial, como Deep Learning, que

actualmente se considera que tendrán un buen papel en el futuro.
Introducción a la biblioteca de Keras, muy usada actualemente para el desarrollo

de Deep Learning. Esta biblioteca nos da un gran apoyo en la generación de
Redes Neuronales desde cero, sobre todo, a aquellos que se inician en este
mundo y que desde fuera parece tan complejo.
Ver todas las funcionalidades que nos ofrece Deep Learning, ya que sirve para
mucho más que para la clasificación de imágenes.
Aprender el funcionamiento general de una Red Neuronal
6
Capı́tulo 3
Estado del Arte
En este capı́tulo se entrará más en profundidad definiendo que es el Deep Learing,

sus inicios y lo que se espera en un futuro no muy lejano de esta herramienta. Para
definir correctamente que es el Deep Learning debemos empezar comentando por
donde comenzo todo, tendremos que hablar de la Inteligencia Artificial. En la siguiente
imagen podrá observar la relación existente entre estas tecnologı́as, aclarando de una
forma más visual, donde se encuentra el Deep Learning.
Figura 3.1: Relación Inteligencia Artificial con el Deep Learning, Raul E. Lopez Briega
A continuación, se irán definiendo cada una de estas tecnologı́as, centrándonos

sobre todo en el Deep Learning, que es con la que se ha estado trabajando en este
proyecto.
7
3.1. INTELIGENCIA ARTIFICIAL
3.1. Inteligencia Artificial
La Inteligencia Artificial nació en la década de 1950 cuando un conjunto de

pioneros de la informática se empezaron a preguntar si una computadora podrı́a llegar
a pensar como una persona. Se podrı́a definir, de forma concisa, como el esfuerzo
por automatizar las tareas intelectuales que normalmente realizan los humanos [1].
También, podrı́amos definirla como el esfuerzo por emular el trabajo que realiza el
cerebro humano.
Fue en el año 1956, cuando John McCarthy organiza la mı́tica conferencia de

Dartmouth donde, en su discurso, acuña por primera vez el término Inteligencia
Artificial. Esta la definió como la ciencia e ingenierı́a de hacer máquinas inteligentes.
El texto inaugural lo realiza junto a Marvin Minsky y Claude Shannon, dos prestigiosos
cientı́ficos. Sin embargo, McCarthy se consagra como padre de la Inteligencia
Artificial no solo por lograr iniciarla y convertirla en un campo de investigación nuevo,
sino por seguir aportando evidencias para su desarrollo durante medio siglo[2].
Aún siendo este pionero de la Inteligencia Artificial, nunca pudo pasar el

llamado Test de Turing. Este test consiste en desarrollar un método para responder
cientı́ficamente si una máquina puede pensar por sı́ mismo o no. Es básicamente
una conversación entre un ser humano y una máquina diseñada para interactuar
verbalmente. La conversación se efectúa en lenguaje común y busca que se pueda
identificar cuál es el humano y cuál es la máquina[3].
Figura 3.2: Test de Turing, Omar Pereyra
8
CAPÍTULO 3. ESTADO DEL ARTE
Se cuenta con 5 minutos de conversación para convencer a la persona que evalúa el

chat, que quien está detrás de la pantalla es un ser humano (la máquina solo se expresa
a través de un chat tras una pantalla). Si logra convencerlo, la máquina pasa la prueba.
Como dato interesante, el primero en pasar el Test de Turing fue Eugene Goostman
en el año 2014 pasando el test con un 33 %. Hizo uso de un chatbot desarrollado por
programadores que simularon la personalidad de un adolescente ucraniano.
Volviendo al origen de la Inteligencia Artificial, en un comienzo se pensó que la

inteligencia artificial a nivel humano se podrı́a lograr haciendo que los programadores
elaboraran un conjunto suficientemente amplio de reglas explı́citas para manipular el
conocimiento. Este enfoque se conoce como Inteligencia Artificial Simbólica, llegando
a predominar hasta finales de la década de 1980.
Esta Inteligencia Artificial Simbólica tuvo momentos de altibajos. Se lograban

soluciones para problemas lógicos bien definidos como jugar al ajedrez, pero no
conseguı́an solucionar problemas más complejos y difusos como la clasificación de
imágenes, el reconocimiento de voz o la traducción de idiomas. De esta forma,
surgió un nuevo enfoque, el Machine Learning o Aprendizaje Automático.
Esta tecnologı́a es una de la grandes causantes de esta nueva revolución industrial

que esta haciendo avanzar el mundo tecnológico de una manera rapidı́sima. Lo que
estamos viviendo actualmente es una mı́nima parte de lo que puede darnos esta
tecnologı́a y que es problable que veamos en un futuro no muy lejano.
Pero no todo es positivo en lo relativo a la inteligencia artificial. Se prevé que en

15 años se hayan perdido el 40 % de los trabajos del mundo, donde las personas serán
reemplazadas por algún sistema en inteligencia artificial. Kai-Fu Lee es una de las
voces más importantes en cuanto a la inteligencia artificial. Pionero en el desarrollo del
primer sistema de reconocimiento de voz, habló sobre como afectará esta tecnologı́a al
futuro de las personas y dijo lo siguiente:
“Creo que la inteligencia artificial va a cambiar al mundo más que nada en la

historia de la humanidad. Incluso más que la electricidad”[5].
La inteligencia artificial es una realidad presente en nuestras vidas que poco a poco
9
3.1. INTELIGENCIA ARTIFICIAL
irá jugando un papel cada vez más importante.

Los usos actuales de la inteligencia artificial son muchos más de los que la gente
cree. Cuando tu correo bloquea mensajes de spam, cuando hablas con Siri en un
iphone, cuando netflix te sugiere una pelı́cula determinada , estos son ejemplos del uso
de la Inteligencia Artificial. Pero lo que viene es mucho más relevante. Desaparecerán
los conductores de vehı́culos, cánceres y otras enfermedades serán mas fáciles de
detectar, se podrán prever mucho mejor los desastres naturales y los trabajos repetitivos
y mecánicos quedarán relegados a los robots.
Como se esta viendo, habrá pocas cosas que no queden afectadas por el desarrollo
de esta tecnologı́a, ya que afectará a todos los ámbitos de la sociedad como las
relaciones entre humanos, el consumo, la economı́a, el funcionamiento de las ciudades,
etc.
10
3.2. Machine Learning

El Machine Learning, traducido al español como Aprendizaje Automático, se
podrı́a definir a través de la siguiente pregunta: ¿podrı́a una computadora ir más allá de
“ordenarle que realice una tarea” y aprender por sı́ misma cómo realizar una tarea
especı́fica? ¿podrı́a una computadora aprender ciertos patrones de forma automática
mirando los datos?
Estas preguntas abrieron la puerta a un nuevo paradigma de la programación,
el paradigma de la Inteligencia Artificial Simbólica. Con el aprendizaje automático,
los humanos ingresan datos, ası́ como las respuestas esperadas de los datos, y
salen las reglas. Estas reglas se pueden aplicar a nuevos datos para producir
respuestas originales. Un sistema de aprendizaje automático está entrenado en lugar
de programado explı́citamente[4].
El aprendizaje automático comenzó a florecer en la década de 1990 y, se ha
convertido rápidamente en el subcampo más popular y exitoso de la Inteligencia
Artificial. Es una tendencia impulsada por la disponibilidad de hardware más rápido
y conjuntos de datos más grandes, posibilitado esto último por lo que actualmente
llamamos Big Data (conjuntos de datos o combinaciones de conjuntos de datos cuyo
tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad)
dificultan su captura, gestión, procesamiento o análisis mediante tecnologı́as y
herramientas convencionales dentro del tiempo necesario para que sean útiles[6]).
Después de lo introducido anteriormente, podremos definir el Machine Learning
como una disciplina dentro de la Inteligencia Artificial que crea sistemas capaces de
aprender automaticamente por si solos, identificando patrones complejos en millones
de datos. Estos sistemas van mejorando con el tiempo sin necesidad de intervención
humana.
Hoy en dı́a, gracias al Machine Learning podemos procesar cada vez mayores
cantidades de datos, mejorando la funcionalidad de muchas de las aplicaciones que
se usan. Ejemplos de uso actuales del Machine Learning:
11
3.2. MACHINE LEARNING
Seguridad en los datos: puede predecir que archivos son malware con gran
precisión.
Seguridad personal: podrı́a servir para aligerar los controles de seguridad en

aeropuertos ayudando a eliminar falsas alarmas y detectar anomalı́as en las
proyecciones de seguridad.
Comercio financiero: muchas empresas del sector ya utilizan sus propios

sistemas para predecir y ejecutar operaciones de gran volumen a altas
velocidades y ası́ anteponerse a cómo se comportarán los mercados de valores.
Salud: se puede procesar más información y detectar más patrones sobre

enfermedades que una mente humana. Además, el machine learning también
se puede utilizar para advertir en los factores de riesgo de enfermedades en
poblaciones grandes.
Marketing personalizado: El marketing personalizado se basa en un sencillo

principio, mientras más se pueda saber sobre el cliente y su comportamiento,
mejor se le podrá atender y se traducirá en más ventas. Es lo que actualmente se
llama publicidad a la carta.
Búsqueda online: Este quizás sea el uso más famoso del machine learning.
Google y sus competidores mejoran constantemente lo que entiende el motor
de búsqueda.
Coches inteligentes: Los vehı́culos podrı́an ajustar la configuración interna

(temperatura, audio, posición del asiento, etc.) de forma automática en función
del conductor, informar e incluso solucionar problemas y, conducir y ofrecer
asesoramiento en tiempo real sobre el tráfico y las condiciones de la carretera.
Estas son algunas de las aplicaciones en el dı́a a dı́a de las personas que hacen uso
del Machine Learning. Cada vez serán más sus aplicaciones y más complejas con el
fin de mejorar la vida de las personas.
12
3.3. Deep Learning

El Deep Learning, traducido al español como Aprendizaje Profundo, es la
tecnologı́a que se empleará para el desarrollo de este proyecto y donde se hará más
hincapié para el resto de la documentación.
Deep Learning es uno de los métodos de aprendizaje de la Inteligencia Artificial,
y a dı́a de hoy pertenece a un subcampo del Machine Learning. Fue por el 2010
cuando esta teconologı́a tuvo su gran apogeo gracias en parte, a la inserción de las
redes sociales, ası́ como el desarrollo del mundo web. Se multiplica la generación de
datos por individuo, lo que hace surgir una necesidad inmediata de herramientas y
tecnologı́as que permitan aprovechar estos datos: el Big Data (definido en la sección
anterior).
Figura 3.3: Lı́nea del Tiempo Inteligencia Artificial Hasta el Deep Learning, Txema
Rodrı́guez
Se define como un algoritmo automático estructurado o jerárquico que emula el

aprendizaje humano con el fin de obtener ciertos conocimientos. Destaca porque no
requiere de reglas programadas previamente, sino que el propio sistema es capaz
13
3.3. DEEP LEARNING
de “aprender” por sı́ mismo para efectuar una tarea a través de una fase previa de
entrenamiento. Trata de asemejar el aprendizaje que los humanos usan para obtener
el conocimiento especı́fico de una cosa o imagen. Es lo que actualmente se llama
como aprendizaje no supervisado. Aqui reside una de las grandes ventajas del Deep
Learning, no necesita la acción de ningún humano para aprender, esta tecnologı́a
aprende por sı́ sola.
Hoy en dı́a es una de las tecnologı́as más de moda ya que hace uso de estructuras
lógicas que se asemejan en mayor medida a la organización del sistema nervioso
de los mamı́feros. Estas tienen capas de unidades de proceso (neuronas artificiales)
que se especializan en detectar determinadas caracterı́sticas existentes en los objetos
percibidos. Se compone de unas redes de neuronas que son profundas con algoritmos
que son sumamente complejos con respecto a los usados en el Machine Learning.
Uno de los pioneros en el Deep Learing fue Geoffrey Hinton. En 2012, Hinton
y dos estudiantes demostraron que las redes de neuronas artificiales convolucionales
podı́an reconocer imágenes con mayor precisión que cualquier otra técnica basada en
inteligencia artificial. Después de una gran labor sobre este campo, Geoffrey Hinton
fue galardonado con el Premio Turing en 2018 junto con Yoshua Bengio y Yann LeCun
por su trabajo en Deep Learning.
Desde que en 2010 tuviera ese apogeo, ha logrado nada menos que una revolución
en el campo, con resultados notables en problemas de percepción como la vista y la
audición. Problemas que involucran habilidades que parecen naturales e intuitivas para
los humanos pero que durante mucho tiempo han sido difı́ciles de encontrar para las
máquinas.
El aprendizaje profundo ha tenido un gran uso en el área de los diagnósticos

médicos y en análisis predictivos de los mercados financieros. Pero está adquiriendo
cada vez, un mayor peso en el resto de sectores como componentes esenciales para
aplicaciones, como sistemas de recomendación, detección de fraude, detección de
anomalı́as y auditorı́a de datos.
En particular, el aprendizaje profundo ha logrado los siguientes avances, todos en
14
áreas históricamente difı́ciles del aprendizaje automático:
Clasificación de imágenes a nivel casi humano
Reconocimiento de voz a nivel casi humano
Transcripción de escritura a mano a nivel humano
Traducción automática mejorada
Conversión de texto a voz mejorada
Asistentes digitales como Google Now y Amazon Alexa
Conducción autónoma a nivel casi humano
Se mejoró la orientación de anuncios
Resultados de búsqueda mejorados en la web
Habilidad para responder preguntas de lenguaje natural
Todavı́a se está explorando todo lo que puede hacer el aprendizaje profundo.

Comenzamos a aplicarlo a una amplia variedad de problemas fuera de la percepción
de la máquina y la comprensión del lenguaje natural, como el razonamiento formal. Si
tiene éxito, esto puede anunciar una época en la que el aprendizaje profundo ayuda a
los humanos en una amplia variedad de sectores. [7].
15
3.3. DEEP LEARNING
16
Capı́tulo 4
Metodologı́a
En primer lugar, es importante remarcar cual es el principal objetivo de este trabajo

que no es otro que conseguir un modelo que sea capaz de realizar una clasificación
automática según la morfologı́a de las galaxias. Dando como entrada una imagen de
una galaxia, el modelo tiene que establecer, una vez procesada esa imagen, el tipo de
galaxia a la que pertenece esa imagen.
Se presentarán los elementos fı́sicos y virtuales que se han usado para conseguir
tales objetivos. Se expondrá la forma en que se han obtenido las imágenes necesarias
para poder generar el modelo con la máxima precisión posible.
Durante el desarrollo de este trabajo también me he encontrado con una serie de
limitaciones que expondré a continuación. Este tipo de trabajos, se suele realizar con
máquinas bastante más potentes que las que se han usado, pudiendo ası́ modificar
en cierta forma, los resultados finales. Comentar también que los conocimientos
adquiridos durante este periodo de trabajo quizás no hayan sido tan completos como
se deberı́a. Aún ası́, siempre se ha buscado poder acercarse lo máximo posible a un
buen resultado. Durante este apartado se expondrán algunas de estas dificultades más
en detalle.
Se va a dividir este capı́tulo en cuatro partes diferenciadas:
El dataset o conjunto de imágenes usadas para los entrenamientos.
Herramientas Hardware disponibles.
17
4.1. DATASETS (CONJUNTO DE DATOS)
Herramientas Software empleadas para la implementación y desarrollo.
Redes Neuronales
A continuación, se presentarán cada uno de los puntos más en detalle.
4.1. Datasets (Conjunto de datos)
En este proyecto se va a hacer uso de un conjunto de imágenes. Estas nos servirán

para poder entrenar a nuestro modelo y ası́ determinar a que tipo de galaxia pertenece
una determinada imagen que se le pase como parámetro de entrada a nuestro modelo
ya entrenado.
Para obtener estas imágenes hemos accedido a una famosa página llamada Kaggle.
Esta página es una plataforma online donde se realizan competiciones de Data Mining
y nos da acceso a una gran cantidad de datasets de diversas ı́ndoles. En mi caso,
busqué aquella que tenı́a que ver con galaxias y descargué este datasets desde la
siguiente url indicanda como referencia[10].
En este datasets se nos proporciona una carpeta que contiene 48.905 imágenes
preparadas para el entrenamiento y otra carpeta con 12.750 imágenes para el test. En
la carpeta de entrenamiento cada nombre de imagen inicia por el tipo de galaxia a la
que corresponde, lo que facilita la preparación de las imágenes para el entrenamiento,
algo muy importante para este tipo de trabajo. Las cantidades que hay por cada tipo
de galaxia son bastante diferentes. Como solución a este contratiempo se han usado
técnicas empleadas en Deep Learning para poder igualar este número de imágenes. De
este modo se consigue que nuestro modelo pueda detectar cualquier tipo de galaxia de
forma equitativa.
Todas las imágenes tienen un tamaño original de 300x300 lo que facilita el
preparado de estas para el entrenamiento. Con esta resolución, la calidad de las
imágenes no será la idónea, lo que podrı́a dificultar la etapa de entrenamiento en donde
se obtienen las caracterı́sticas mas en detalle de la galaxia en cuestión.
18
CAPÍTULO 4. METODOLOGÍA
Esta clasificación será según la morfologı́a de las galaxias. Se podrán diferenciar

entre 4 tipos de galaxias que son las que se nos ofrece en la carpeta donde se encuentran
las imágenes para el entrenamiento.
Con respecto al origen de estas imágenes, la misma página no nos da mucho
información. Es bastante probable que vengan de capturas tomadas por algún
telescopio, pero no esta confirmado al 100 %. Por lo que he podido investigar, las
imágenes que se toman de los telescopios son imágenes que abarcan una gran cantidad
de galaxias. Un ejemplo es la imagen que muestro a continuación, captura hecha con
el telescopio Hubble desde el exterior de la atmósfera, sobre la órbita de la Tierra.
Figura 4.1: Captura del telescopio Hubble, NASA
Como se puede observar, esta imagen contiene una gran cantidad de galaxias. Para
obtener una imagen de una galaxia en concreto, el zoom que hay sobre esta imagen es
enorme. Es por esto, por lo que en mi parecer, la resolución de las imágenes con las
que se va a trabajar no es la mejor, pero es bastante buena viendo su posible origen.
Este conjunto de imágenes han sido tratadas anteriormente de forma casi segura
para poder ser usadas en trabajos con Deep Learning, ya que, como comente
anteriormente, vienen correctamente etiquetadas y con un mismo tamaño en todas
ellas.
Para la clasificación morfológica de las imágenes se ha hecho uso de la secuencia
19
de Hubble. La secuencia de Hubble es un esquema de clasificación morfológica para

galaxias inventado por Edwin Hubble en 1926[11]. El esquema del Hubble divide las
galaxias en tres amplias clases basadas en su apariencia visual:
Elı́pticas
Espirales
Lenticulares
Estas amplias clases pueden ser extendidas para permitir distinciones más finas de
apariencia. También podemos encontrar otros tipos de galaxias, tales como galaxias
irregulares, que no tienen una estructura regular obvia.
Figura 4.2: Secuencia de Hubble, Ville Koistinen
Hasta el dı́a de hoy, la secuencia de Hubble es el sistema más comúnmente utilizado

para clasificar galaxias, tanto en la investigación astronómica profesional como en
astronomı́a amateur.
A continuación, se expondrán cada uno de los tipos de galaxias más en detalle
mostrando una imagen de cada una de ellas. Las imágenes que se mostrarán serán las
mismas que se han usado durante los entrenamientos ejecutados.
20
4.1.1. Galaxias elı́pticas - Edge
Una galaxia elı́ptica es un tipo de galaxia de la secuencia de Hubble caracterizada

por tener una forma aproximadamente elipsoidal y apenas rasgos distintivos. Carece
de los brazos espirales que caracterizan a las galaxias homónimas[12]. Tienen
distribuciones de luz suaves y sin caracterı́sticas. Se indican mediante la letra “E”,
seguida de un número entero n que representa su grado de elipticidad en el cielo. Son
el 20 % de las galaxias observadas actualmente. Se identificarán con el nombre de Edge
durante los entrenamientos. Un ejemplo de este tipo de galaxia es el siguiente:
Figura 4.3: Galaxia Edge E7
4.1.2. Galaxias espirales - Spiral
Galaxia de la secuencia de Hubble. Deben su nombre a los brazos luminosos con

formación estelar dentro del disco ,que se prolongan más o menos logarı́tmicamente
desde el núcleo central. Aunque a veces son difı́ciles de percibir, estos brazos las
distinguen de las galaxias lenticulares que presentan una estructura de disco pero sin
brazos espirales[14]. Constituyen el 70 % de las galaxias observadas actualmente. Se
les da el sı́mbolo “S”. Como curiosidad, nuestra galaxia, la Vı́a Láctea, es espiral. Se
identificarán con el nombre de Spiral durante los entrenamientos. Un ejemplo de este
21
tipo de galaxia es el siguiente:
Figura 4.4: Galaxia Spiral SBa
4.1.3. Galaxias lenticulares - Smooth
Es un tipo de galaxia intermedia entre una galaxia elı́ptica y una galaxia espiral que
en la Secuencia de Hubble se clasifica como “S0”. Las galaxias lenticulares consisten
en un brillante bulbo central rodeado por una estructura extendida, similar a un disco.
A diferencia de galaxias espirales, los discos de las galaxias lenticulares no tienen
estructura espiral visible. Han consumido o perdido gran parte o toda su materia
interestelar, como las galaxias elı́pticas, y por tanto carecen de brazos espirales[13].
Constituyen solo el 3 % de las galaxias observadas actualmente. Se identificarán con el
nombre de Smooth durante los entrenamientos. Un ejemplo de este tipo de galaxia es
el siguiente:
22
Figura 4.5: Galaxia Smooth S0
4.1.4. Galaxias irregulares - Other
Una galaxia irregular es una galaxia que no encaja en ninguna clasificación de

galaxia de la secuencia de Hubble. Son galaxias sin forma espiral, lenticular ni elı́ptica.
Algunas galaxias irregulares son pequeñas galaxias espirales distorsionadas por la
gravedad de un vecino mayor. Un ejemplo de este tipo de galaxia es el siguiente:
Figura 4.6: Galaxia Irregular
23
4.2. HERRAMIENTAS HARDWARE
4.2. Herramientas Hardware

En el Deep Learning, un equipo potente es una herramienta esencial para realizar
un trabajo decente. En mi caso, para la realización de este TFG, el equipo usado ha
sido como cualquier sobremesa que tiene una familia en su casa por lo que me ha
dificultado en cierto modo el poder obtener unos resultados mejores.
En primer lugar, para trabajar con Deep Learning, se hace esencial tener una GPU.
Se puede emplear la CPU de nuestro ordenador pero el tiempo que se tarda en realizar
cualquier entrenamiento con imágenes es inmenso en comparación con el que se tarda
con una GPU. Para entrenamientos realizados con textos y audios, con la CPU es más
que suficiente pero, cuando se va a trabajar con imágenes, se hace imprescindible por
el tiempo empleado en cada entrenamiento. Dentro de las diversas GPU que nos ofrece
el mercado, con una barata se puede salir adelante mas o menos bien. En mi caso, he
empleando una GPU normalita donde el gran inconveniente que se me presentó fue su
memoria. Aún ası́, se han conseguido resultados bastante decentes para ser la primera
vez que he trabajado con Deep Learning.
Las caracterı́sticas de mi equipo (ordenador de sobremesa) con el que se han hecho
todos los entrenamientos es el siguiente:
Procesador Intel I3 8100
Disco duro SSD Samsung 850 EVO 500GB
Memoria Ram 16GB
GPU GEFORCE GTX 1050TI 4GB GDDR5
De todos los componentes descritos anteriormente, él más importante es esa GPU.
Como bien mencioné anteriormente, por una parte me ha facilitado mucho este trabajo
gracias a la rapidez con que se realizaban los entrenamientos con respecto al tiempo
empleado cuando se realizaba por CPU. Por otra parte, esos 4GB de memoria me
han supuesto un inconveniente en el momento de entrenar con ciertos modelos,
obligándome a modificar el tamaño de las imágenes, reduciendo su resolución casi a la
24
mitad y, modificando el número de imágenes usadas por bloque (esto lo explicaré mas
adelante).
Un dato importante con respecto a las GPUs usadas para el Deep Learning es que
se recomienda que sea de la marca NVIDIA. Esta marca nos facilita una librerı́a para
trabajar con estas herramientas como es CUDA.
4.3. Herramientas software
En esta sección se presentarán todas las herramientas software empleadas para la

realización de este trabajo. Se describirán cada una de estas herramientas y su uso.
En primer lugar, indicar que este TFG se ha desarrollo por completo en el sistema
operativo Windows 10.
En libros y artı́culos de internet, donde he ido investigando sobre el Deep Learning,
aconsejaban el uso de Linux. Al final me decidı́ por Windows, primero, porque es él
que más he hido usando y con él que me siento más cómodo y segundo, porque al
final las herramientas con las que voy a trabajar también estabán para Windows. A
continuación, se presentarán todas estas herramientas empleadas para la resolución del
TFG.
Anaconda
Anaconda es una Suite de código abierto que abarca una serie de aplicaciones,
librerı́as y conceptos diseñados para el desarrollo de la Ciencia de datos con Python.
Está orientada a simplificar el despliegue y administración de los paquetes de software.
Una vez instalado, nos ofrece la posibilidad, a través de su propia consola de
comandos, de crear nuestro propio entorno virtual donde poder instalar todas las
librerı́as necesarias con las que se va a trabajar.
Es más recomendable trabajar a través de un entorno virtual, ya que una instalación
en nativo puede desequilibrar los programas y configuraciones que tengamos en
nuestro equipo. De esta forma, podremos crear tantos entornos virtuales como
25
4.3. HERRAMIENTAS SOFTWARE
queramos con diversas configuraciones.

Esta herramienta es muy recomendada para los que se inician en el mundo del
Deep Learning ,ya que facilita la preparación de todo el entorno de trabajo necesario.
Las diferentes versiones de los paquetes se administran mediante el sistema de gestión
de paquetes Conda, el cual hace sencillo instalar, correr y actualizar el software de
ciencia de datos y aprendizaje automático. Hay mucha información sobre Anaconda,
en caso de necesitar ayuda en la resolución de alguna duda o problema.
La función en este trabajo ha sido simplemente la generación de un entorno de
trabajo. Me ha permitido instalar todas las librerı́as necesarias para la creación de un
modelo a través de las técnicas del Deep Learning.
El conjunto de comandos usados para la instalación del entorno son los siguientes:
1. conda create -n tfgKerasGPU python=3.7
2. conda activate tfgKerasGPU
3. pip install tensorflow-gpu
4. pip install keras
5. pip install opencv-python
6. pip install matplotlib
7. pip install scipy
8. pip install pandas
9. pip install -U scikit-learn
Pycharm
PyCharm es uno de los entornos de desarrollo más completos para Python. Es parte
de una suite de herramientas de programación ofrecidas por JetBrains. Este IDE me ha
facilitado el uso del entorno generado a través de Anaconda. Posteriormente, se han
26
ido creando cada una de las clases usadas para poder realizar los entrenamientos y su
ejecución. Hace la función del tı́pico IDE que se usa para programar.
Python
Python es un lenguaje de programación que ha entrado con mucha fuerza en el

mundo del Deep Learning. En los comienzos del Deep Learning se hacı́a uso de
lenguajes como R o C que dificultaba mucho la iniciación de cualquier persona en el
mundo del Deep Learning hasta que se empezó a usasrse este lenguaje con la aparición
de Keras, siendo este mucho más sencillo. La versión usada para este trabajo es la
“V3.7”. Es importante que la versión usada en Python sea la misma que la instalada en
Anaconda.
Cuda
CUDA son las siglas de Compute Unified Device Architecture (Arquitectura

Unificada de Dispositivos de Cómputo). Es un tipo de plataforma, desarrollada por
NVIDIA, para poder realizar la programación de las tareas que antiguamente llevaban
a cabo, inicialmente el procesador para, más adelante, el núcleo gráfico de la tarjeta.
Permitirá que la tarjeta gráfica haga todo el cálculo matricial y demás, necesario para
poder desarrollar Deep Learning.
Necesaria para cuando se quiere hacer uso de la GPU durante los entrenamiento
de los modelos en caso de que se haga uso de una tarjeta gráfica NVIDIA como es
este caso. Es recomendable tener actualizados los drivers de la gráfica y que estén en
consonancia con la versión que se vaya a usar del Cuda.
cuDNN
La biblioteca NVIDIA CUDA Deep Neural Network (cuDNN) es una biblioteca de

primitivas aceleradas por GPU para redes neuronales profundas. cuDNN proporciona
implementaciones altamente optimizadas para rutinas estándar, como las capas de
27
4.3. HERRAMIENTAS SOFTWARE
convolución, agrupación, normalización y activación hacia adelante y hacia atrás. Son

las librerı́as dedicadas en concreto para el Deep Learning.
Permite centrarse en la capacitación de redes neuronales y en el desarrollo de
aplicaciones de software en lugar de dedicar tiempo al ajuste de rendimiento de GPU
de bajo nivel.
Keras
Keras es una biblioteca de Redes Neuronales de Código Abierto escrita en Python.

Es capaz de ejecutarse sobre diferentes motores de Deep Learning como TensorFlow,
CNTK o Theano. En mi caso, Keras correrá sobre TensorFlow. Está especialmente
diseñada para posibilitar la experimentación en poco tiempo con redes de Deep
Learning. Otra principal ventaja que tiene es que es capaz de correr tanto en CPUs
como en GPUs.
Keras contiene varias implementaciones de bloques constructivos de las redes
neuronales como la capas de una red, las funciones de activación y optimizadores
matemáticos.
Su autor principal y mantenedor ha sido el ingeniero de Google François Chollet,
el cual tiene un libro bastante bueno para todo aquel que desee iniciarse en el mundo
del Deep Learning[15]. He hecho un gran uso de este libro durante mi etapa de
investigación para este trabajo. Esta biblioteca es la principal de todo este trabajo.
TensorFlow
TensorFlow es una biblioteca de código abierto para aprendizaje automático a

través de un rango de tareas. Desarrollado por Google para satisfacer sus necesidades
de sistemas capaces de construir y entrenar redes neuronales para detectar y descifrar
patrones y correlaciones, análogos al aprendizaje y razonamiento usados por los
humanos. En este trabajo actuará por debajo de Keras.
En 2011 fue el equipo de Google Brain quién se encargó de su creación para uso
interno de Google hasta que fue liberado como software de código abierto en el 2015.
28
A continuación se mostrará una gráfica donde queda mucho mejor indicado donde
se encuentra cada una de estas tecnologı́as que se han definido anteriormente:
Figura 4.7: Gráfica Relación Entre Elementos Software, Parul Pandey
Otras Librerias
Otras de las librerı́as que han complementado este trabajo son las siguientes:
Numpy: es una extensión de Python, que le agrega mayor soporte para vectores
y matrices, constituyendo una biblioteca de funciones matemáticas de alto nivel
para operar con esos vectores o matrices.
Matplotlib: es una biblioteca para la generación de gráficos a partir de datos

contenidos en listas o arrays en el lenguaje de programación Python y su
extensión matemática NumPy.
os: proporciona una forma portátil de utilizar la funcionalidad dependiente del

sistema operativo. Puede leer o escribir un archivo, manipular rutas, leer todas
las lı́neas de todos los archivos en la lı́nea de comandos, ...
shutil: este módulo ofrece una serie de operaciones de alto nivel en archivos y
colecciones de archivos. En particular, se proporcionan funciones que admiten
la copia y eliminación de archivos.
29
4.4. REDES NEURONALES
4.4. Redes Neuronales

Parte muy esencial en este trabajo. En primer lugar definiremos brevemente que
es una red neuronal. El nombre, como podéis imaginar, viene de la idea de imitar
el funcionamiento de las redes neuronales de los organismos vivos, un conjunto de
neuronas conectadas entre sı́ y que trabajan en conjunto. Se basan en una idea sencilla:
dados unos parámetros hay una forma de combinarlos para predecir un cierto resultado.
Las redes neuronales son un modelo de computación para encontrar esa combinación
de parámetros y aplicarla al mismo tiempo. En el lenguaje propio, encontrar la
combinación que mejor se ajusta es entrenar la red neuronal. Una red ya entrenada
se puede usar luego para hacer predicciones o clasificaciones.
4.4.1. Como funciona una Red Neuronal y sus Pesos
Para definir el funcionamiento de una Red Neuronal primero se definirá lo que es

un perceptrón. Cuando se habla de perceptrón se refiere a la neurona artificial o unidad
básica que se puede utilizar con otros tipos de perceptrones o de neuronas artificiales,
para formar una red neuronal artificial más compleja.
Para entender bien cómo funciona una neurona vamos a ir con un ejemplo.
Tenemos dos exámenes de los cuales tenemos dos notas diferentes.
Figura 4.8: Perceptrón
En la imagen se muestra un perceptrón donde tenemos dos entradas representadas

con las dos notas, n1 y n2, cada una con su correspondiente peso wn (lo que hay que
30
encontrar). La salida, nf, será 1 si está aprobado y 0 si está suspenso.

Un perceptrón puede tener varias entradas con un cierto peso cada una. Si la suma
de esas entradas por cada peso es mayor que un determinado número, la salida del
perceptrón es un uno. Si es menor, la salida es un cero.
En este ejemplo, las entradas serı́an las dos notas de los exámenes. Si la salida es
uno, esto es, la suma de las notas por su peso correspondiente es mayor que cinco,
es un aprobado. Si es cero, suspenso. Los pesos son lo que hay que encontrar con el
entrenamiento. En este caso, el entrenamiento consistirá en empezar con dos pesos
aleatorios, por ejemplo, 0.5 y 0.5, el mismo peso a cada examen, y ver qué resultado
da la red neuronal para cada alumno. Si falla en algún caso, se irán ajustando los pesos
poco a poco hasta que esté todo bien ajustado.
Se puede definir los pesos de una neurona como los coeficientes entrenables que
permiten determinar en que medida es importante e influye cada variable de entrada
en la salida. Además de los pesos de las entradas se añade siempre otro peso que se
llama bias. La bias se utiliza para compensar offsets o desviaciones producidas por los
valores de entrada y sus escalas.
4.4.2. Capas de una Red Neuronal
Por lo general, una red neuronal se compone de la siguiente estructura de capas:
Figura 4.9: Partes de una Red Neuronal
31
Capa de entrada
Esta capa es la que contiene las entradas de nuestro sistema, recibe información del
exterior. Algunos las llaman capas expuestas o visibles. No es una capa que contenga
neuronas clásicas o pesos, simplemente las entradas de nuestro sistema que pasan a
través de la misma hacia la próxima capa.
Capas ocultas
Las capas ocultas, se llaman ası́ dado que no se puede entrar en contacto con
ellas directamente, sino que tiene que ser a través de la capa de entrada. Son las
encargadas de realizar el trabajo de la red. En un comienzo, los que en un principio
se llamaban perceptrones multicapa clásicos, contenı́an una o dos capas ocultas que
permitı́an desempeñar las tareas empleadas en ese momento. Pero a medida que han
avanzado los años se ha buscado más profundidad, es decir, mayor número de capas
ocultas y mayor número de neuronas, que supuso el inicio del Deep Learning.
Capa de salida
La capa de salida es la encargada de expedir las salidas correspondientes a las

entrenadas. Este tipo de capas son decisivas en el funcionamiento del sistema y la
magia de las mismas yace en las activaciones que emplean. Dichas activaciones deben
adecuarse al problema enfrentado. Un pequeño resumen de las activaciones necesarias
en cada problema podrı́a ser:
Clasificación binaria-activación sigmoidal: se busca que nuestro sistema dé un
valor entre 0-1 que signifique el nivel porcentual de confianza de esa clasificación.
Clasificación categórica o multiclase-activación softmax: esta función es la
encargada de gestionar las probabilidades de nuestras clases y normalizarlas con
respecto al 100 %, de tal manera que la suma de las probabilidades es igual a 1 o
al 100 %.
Regresiones-activación lineal: se busca que nuestro sistema tenga plena libertad
para decidir el valor de salida.
32
4.4.3. Tipos de Redes Neuronales
Se van a distinguir dos tipo de Redes que se usan con Deep Learning:
Redes Neuronales Convolucionales, Convets o CNN
Las Convets son un tipo de redes neuronales artificiales diseñadas para funcionar de
forma muy similar a las neuronas de la corteza visual primaria de un cerebro humano.
Estas han resultado ser ampliamente eficaces en tareas fundamentales de la visión
artificial, como la clasificación y la segmentación de imágenes.
Dichas redes están formadas por múltiples capas de filtros convolucionales de una
o más dimensiones, tras las cuales se insertan funciones no lineales de activación. Se
hará uso de diversos tipos de capas y optimizadores que se desarrollarán más adelante.
En el caso de una clasificación clásica mediante una red convolucional, es posible
encontrar dos fases bien delimitadas:
1. Extracción de caracterı́sticas: Esta es la fase inicial y está compuesta

principalmente por neuronas convolucionales que asemejan su procesado al de
la corteza visual humana. Cuanto más se avanza a través del número de capas
convolucionales menos reaccionan estas ante la variación de los datos de entrada
y mayor es la abstracción alcanzada por las mismas para reconocer formas mas
complejas.
2. Clasificación: Se basan en la utilización de capas “Densas” formadas por

neuronas convencionales.
Redes Neuronales Recurrente o RNN
Una red neuronal recurrente no tiene una estructura de capas definida, sino que
permiten conexiones arbitrarias entre las neuronas, incluso pudiendo crear ciclos. Con
esto se consigue crear la temporalidad, permitiendo que la red tenga memoria.
Las principales caracteristicas de una RNN son:
Trata datos secuenciales de forma eficiente
33
Recuerdan las salidas anteriores como entrada
Pueden tratar secuencias muy largas, elemento a elemento
Las redes neuronales recurrentes son muy potentes para todo lo que tiene que ver
con el análisis de secuencias, como puede ser el análisis de textos, sonido o video.
Existe multitud de tipos de redes neuronales recurrentes dependiendo del número
de capas ocultas y la forma de realizar la retropropagación, a continuación se detallarán
las más conocidas:
Redes recurrentes Simples – SRN o Elman
Redes LSTM
Redes GRU
4.4.4. Redes Neuronales con Keras
La creación de estas redes neuronales nos la facilita en gran medida la biblioteca

Keras con el uso de la librerı́a “layers”. Nos permite ir insertando todas la capas que se
precisen para la creación de un modelo final.
También se puede hacer uso de la librerı́a “applications” donde se nos permite
obtener una serie de redes neuronales ya implementadas preparadas para su uso.
En particular, para este trabajo se hará uso de las Redes Neuronales
Convolucionales también llamadas Convets. Estas son las indicadas para trabajos de
clasificación de imágenes.
34
Capı́tulo 5
Implementación y desarrollo
En este capı́tulo se expondrá todo el proceso de desarrollo con las diferentes partes
en que se ha dividido toda la implementación del trabajo.
Se informará de las diversas variables que se han usado para los diferentes
entrenamientos ejecutados, con el fin de obtener el mejor resultado posible en estos.
En primer lugar, se definirá como se ha organizado todo el trabajo. Posteriormente
se entrará más en detalle en cada una de las partes en las que se ha decidido dividirlo.
5.1. Organización del trabajo
Con la finalidad de tener un proyecto organizado donde poder ejecutar un

entrenamiento modificando únicamente algunos de los parámetros que se usan, se ha
creado un archivo python principal. Este archivo contendrá diversos bloques en los que
se ha decicido dividir los entrenamientos. Ası́, modificando únicamente los valores
que se necesiten, se podrá ejecutar un entrenamiento de manera rápida y sencilla,
reutilizando siempre los mismo bloques y dando un mayor dinamismo al proyecto.
Estos bloques son los siguientes:
1. Aumento de la cantidad de imágenes usadas (Opcional)
2. Preparación de las imágenes
35
5.1. ORGANIZACIÓN DEL TRABAJO
3. Creación del modelo
4. Compilación del modelo
5. Entrenamiento del modelo
6. Resultados del entrenamiento
Vı́ necesario realizar esta división porque veı́a que cada entrenamiento que querı́a
realizar se me hacı́a muy pesado el crearlo desde cero. Habı́a una pérdida de tiempo
notable en ordenar todo el entrenamiento de manera segura. También afectaba el
hecho de buscar y modificar aquellos parámetros que veı́a que podı́an mejorar el
entrenamiento, ya que, en algunos casos, cuando se modifica una variable, se tienen
que modificar otras forzosamente.
De esta manera tenı́a todos los parámetros más a mano. A parte, todos estos
parámetros son comunes y se puede usar para la mayorı́a de los casos donde se requiera
realizar un entrenamiento para la clasificación de imágenes.
Se explicará más en detalle cada una de estas partes en la siguiente sección.
Con respecto a los tipos de entrenamiento que se han realizado, se pueden dividir
en 2 grupos. El primer grupo son redes neuronales que he ido obteniendo de libros,
de cursos online o de algún artı́culo dedicado a la clasificación de imágenes con Deep
Learning. Finalmente, analizando los resultados de todos estos, se ha creado una red
neuronal de cero ,con el objetivo de poder sacar los mejores resultados posibles. Los
dos libros usados son muy buenos para aquellas personas que quieran iniciarse en el
mundo del Deep Learning [8][9]
El curso online usado está en la plataforma Udemy, especializada en cursos online.
Este curso es Deep Learning e Inteligencia artificial con Keras/Tensorflow.
Un segundo grupo son las redes neuronales ya creadas, que las podemos obtener a
través de la librerı́a applications de Keras.
36
CAPÍTULO 5. IMPLEMENTACIÓN Y DESARROLLO
Por cada red neuronal que se ha probado, a su vez, se han usado cuatro conjuntos
de datos o datasets distintos. Estos datasets son los siguientes:
IMÁGENES PARA ENTRENAMIENTO
Prueba Edge Smooth Spiral Other

Dataset 1 22.638 22.849 22.282 22.183
Dataset 2 2.000 2.000 2.000 2.000
Dataset 3 22.638 22.849 22.282
Dataset 4 2.000 2.000 2.000
Tabla 5.1: Tabla imágenes para Entrenamiento
IMÁGENES PARA VALIDACIÓN

Dataset 1 7.197 7.197 7.199 7.198
Dataset 2 300 300 300 300
Dataset 3 7.197 7.197 7.199
Dataset 4 300 300 300
Tabla 5.2: Tabla imágenes para Validación
IMÁGENES PARA TEST

Dataset 1 7.199 7.195 7.195 7.200
Dataset 2 300 300 300 300
Dataset 3 7.199 7.195 7.195
Dataset 4 300 300 300
Tabla 5.3: Tabla imágenes para Test
Se puede observar en cada tabla el conjunto de imágenes usadas para

entrenamiento, validación y test en cada Dataset, por cada tipo de galaxia. Se parte
de que todas las imágenes usadas se han obtenido del mismo Dataset.
El primer dataset contiene una gran cantidad de imágenes por cada tipo de galaxia.
El dataset que se descargo de la página de Kaggle, no contenı́a tantas imágenes de cada
37
5.1. ORGANIZACIÓN DEL TRABAJO
uno los tipos de galaxia. Tuve que hacer uso de una técnica usada en Deep Learning
para aumentar el número de imágenes y ası́ poder entrenar en igualdad de número de
imágenes para todos los tipos de galaxias. En este caso, todas las imágenes del tipo
Smooth son originales, llamando original las obtenidas desde un principio sin usar
técnica ninguna. Para igualar esta cantidad con respecto al resto de galaxias, hice uso
de la técnica Data Augmentation. Más adelante se explicará con mayor detalle. Esta
forma de hacer uso de esta técnica solo se da para este conjunto de entrenamiento.
En el conjunto usado para validación se ha empleado de forma equitativa el uso de la
ampliación de imágenes para los cuatro tipos de galaxias. De igual modo se ha hecho
para el conjunto de test.
El segundo dataset contiene solo fotos originales, no se ha hecho uso de la técnica
de aumento de imágenes. Se ha usado esta cantidad de imágenes porque es el máximo
que nos ofreció el conjunto de imágenes de tipo Edge. Se ha usado este dataset para
ver si con menos imágenes pero todas originales el resultado es mejor o peor que en el
caso anterior.
El tercer dataset contiene el mismo conjunto de imágenes que el primero pero
eliminando las que pertenecen a la clase Other.
El cuarto dataset contiene el mismo conjunto de imágenes que el tercero pero
eliminando las que pertenecen a la clase Other.
Estos dos últimos casos se han probado porque tenı́a la sensación de que al ser la
clase Other un tipo de galaxia con caracterı́sticas no definidas como son el resto de
tipos, la captura de propiedades comunes entre estas no iba a existir. Una red neuronal
siempre busca rasgos comunes entre ellos pero será difı́cil encontrarlos, ya que son
imágenes muy diferentes entre sı́.
Para cada una de las Redes Neuronales que se han probado, se han creado los
siguientes archivo de ejecución, cada uno de los cuales usará uno de los dataset
explicados anteriormente:
Dataset 1. Ent1 4Clases ManyImages.py
Dataset 2. Ent2 4Clases FewImages.py
38
Dataset 3. Ent3 3Clases ManyImages.py
Dataset 4. Ent4 3Clases FewImages.py
La estructura usada en el proyecto para la organización de estos archivos es la

siguiente:
Figura 5.1: Estructura Proyecto Archivos Ejecución
Como se puede observar en la anterior imagen, dentro de la carpeta Pruebas es

donde se encuentran todos los ejecutables de cada una de las redes neuronales usadas.
En este caso solo se muestran las del primer bloque (redes neuronales sacadas de libros,
cursos online y articulos de internet). Dentro de esta carpeta Pruebas tenemos varias
carpetas con el nombre de la red neuronal que se ha probado. Por cada red, se han
realizado cuatro entrenamiento, uno por cada dataset comentado anteriormente, de ahı́,
los cuatro archivos que encontramos dentro de cada red neuronal.
A continuación, se expondrá el contenido de estos archivos ejecutables explicando
en detalle cada uno de los bloques que lo componen.
39
5.2. BLOQUES DEL TRABAJO
5.2. Bloques del trabajo
En esta sección se entrará más en detalle con los seis bloques que contiene un
archivo de entrenamiento. Se indicarán aquellos parámetros que han sido fijos o
modificados con respecto a las diferentes redes reuronales y los diversos datasets
usados.
Cada uno de estos bloques están definidos en una clase python diferente. Como se
observa en la siguiente imagen, se pueden ver las seis clases que representan a los seis
bloques que se definirán dentro de la carpeta Módulos.
Figura 5.2: Estructura Proyecto Bloques de Trabajo
Para que se puedan usar cada una de estas clases en los archivos de ejecución
principales se hará uso de las siguientes importaciones:
Figura 5.3: Import de los Bloques de Trabajo
5.2.1. Aumento de la cantidad de imágenes usadas
Este bloque pertenece a la clase aumentarImagenes.py y es lo primero que se

ejecuta. Es un bloque opcional, ya que solo se ejecutará en el caso de que se necesite
40
aumentar el tamaño de imágenes del conjunto de imágenes que se desee. Esta técnica
se llama Data Augmentation. Para el uso de esta técnica me apoyo en la libreria
Keras[16].
Por lo general, esta técnica sirve para aumentar el número de imágenes para la fase
de entrenamiento en caso de que tengamos un dataset flojo. En mi caso, lo uso para
poder igualar el número de imágenes de los diferentes tipos de galaxias y hacer un
entrenamiento con una mayor equidad de imágenes de todos los tipos. Para conseguir
esto lo que se hace es introducir perturbaciones en las nuevas imágenes obtenidas a
partir de una imagen original.
Para el archivo de ejecución esta parte se ha divido en tres. La que afecta al conjunto
de entrenamiento, la que afecta al conjunto de validación y la que afecta al conjunto de
test.
Figura 5.4: Aumento Dataset Entrenamiento
41
Figura 5.5: Aumento Dataset Validación
Figura 5.6: Aumento Dataset Test
42
Para cada una de las tres partes vienen definidas las rutas donde se encuentra cada
conjunto de imágenes por cada uno de los tipos de galaxias, el número de copias por
imagen que se quiere realizar en cada tipo de galaxia y si se desea que durante la
ejecución se realice este aumento o no.
Como se puede observar en las imágenes, se hace uso del método
aumentarImagenes para realizar dicha acción. Método que se encuentra en la clase
AumentarImagenes.py.
Para realizar la técnica de Data Augmentation se hace uso de la librerı́a
ImageDataGenerator que la encontramos dentro de Keras. Se insertan las distintas
deformaciones que irán sufriendo la imágenes para ası́ poder obtener otra imagen que
parezca diferente a la original.
Figura 5.7: Constructor del ImageDataGenerator
En este caso, los datos insertados quieren decir lo siguiente:
rotation range, rota la imagen 40o
width shift range, rango modificación de ancho
height shift range, rango modificación de alto
shear range, rango de corte
zoom range, rango de zoom
horizontal flip, se pueden voltear las imágenes horizontalmente
fill mode, valor nearest predeterminado
43
Posteriormente, a través de un for, se van generando las nuevas imágenes. Se hace

uso del metodo flow donde se le indicará la imagen a tratar, la ruta donde se guardará la
nueva imagen, el nombre de la nueva imagen y su formato. Es necesario realizar un
break ya que sino este bucle nunca pararı́a.
Figura 5.8: Bucle para generación de Imágenes
Un ejemplo de como quedan las imagenes es el siguiente:
Figura 5.9: Ejemplo de la técnica Data Augmentation
Vemos como va modificando la imágenes de diversas formas para ası́ conseguir

distintas imágenes a partir de una misma imagen original.
44
5.2.2. Preparación de las imágenes para el entrenamiento
En este bloque se prepará el conjunto de imágenes que se va a usar durante

el entrenamiento y posteriormente para las pruebas de Test. En primer lugar, se
definirán los atributos usados en este bloque para después entrar en mayor detalle
de lo que se hace internamente. La clase usada para la formación de este bloque es
preparacionImagenes.py.
A continuación, muestro un ejemplo de esta sección en el archivo ejecutable:
Figura 5.10: Preparación Imágenes Para Entrenamiento
Los primeros parámetros usados para este bloque son las rutas donde se encuentran
las imágenes que se van a usar, tanto para el entrenamiento como para la validación y
para el test. Estos valores irán cambiando según se vayan usando los distintos datasets
comentados anteriormente.
Después se encuentrán los parámetros que afectan al tamaño de la imagen
indicando el número de filas y de columnas. En un principio, las imágenes usadas
tienen un tamaño de 300x300 pero hay algunas redes neuronales donde es imposible
usar ese tamaño. Si se trabajará en esos casos con estas dimensiones, se superarı́a
la cantidad de memoria libre que hay en la GPU y nos darı́a error. Este factor es
determinante ya que dificulta el obtener detalles que se podrı́an perder al cambiar la
resolución de las imágenes.
45
Otro de los parámetros a modificar es el batchSize. Este parámetro indica el número

de imágenes que se entrenarán de forma conjunta durante el entrenamiento. Cuanto
mas alto sea este valor mejor será el entrenamiento. Por lo general, debido a que
el entrenamiento con imágenes ocupa mucho espacio en memoria, el número suele
oscilar entre 10 y 40.
Hay que ir jugando con estos parámetros para obtener el equilibrio perfecto y
ası́ poder obtener un buen resultado en el entrenamiento. Es de los atributos que más he
modificado para obtener los mejores resultados dado un mismo modelo o red neuronal.
Entrando más en detalle, se mostrará como se tratan estas imágenes dentro de
la clase preparacionImagenes.py. Se definirán tres ImageDataGenerator, uno para el
conjunto de entrenamiento, otro para el de validación y otro para el de test. Estos
generadores de lotes contendrán las imágenes de cada parte con las caracterı́sticas que
se han definido anteriormente a través de los atributos.
Al igual que ocurre con el bloque del aumento de imágenes, aquı́ también se
hace uso de la librerı́a ImageDataGenerator de Keras[16]. En primer lugar se definen
los constructores. Crearemos uno para el conjunto de entrenamiento (train datagen)
y el otro para los conjuntos de validación y test (test datagen). Aunque el atributo
train datagen tenga más parámetros definidos, en este caso no van a cambiar el estado
de las imágenes por lo que no tendrá repercusión ninguna en el resultado final. Se
puede decir que los dos atributos, tanto train datagen como test datagen son iguales en
la práctica final.
Figura 5.11: Constructores del ImageDataGenerator
46
Una vez definidos los constructores, se hace uso del método flow from directory.
A este método se le pasa como parámetros de entrada la ruta del directorio donde estan
todas las imágenes para el entrenamiento o para la validación o para el test. También se
le pasa el tamaño que queremos tengan finalmente las imágenes, tanto la altura como la
anchura. El batch size que fue definido anteriormente para este bloque y la class mode
será siempre categorical. Este último parámetro determina el tipo de arrays de etiquetas
que se devuelven y es de tipo categorical porque es el que se usa para clasificaciones
en 2D como esta.
Es importante que, en el momento que se le indique la ruta donde se encuentran
todas las imágenes, dentro de esa carpeta haya otras carpetas con el nombre de cada
uno de los tipos que se quieran clasificar. Este nombre de las carpetas es el que se
usará para el arrays de las etiquetas, para ası́ poder diferenciar por cada imagen cuando
un resultado pertenece a un tipo de galaxia u otro. Dentro de estas carpetas es donde
estarán las imágenes de cada uno de los tipos a clasificar.
Como se oberva en la siguiente imagen, habrá tres generadores de lotes diferentes,
el de entrenamiento, validación y test.
Figura 5.12: Definición de los conjuntos de imágenes finales
47
5.2.3. Creación del modelo
En este bloque se indica que tipo de red neuronal se va a usar, que tipo de modelo
se va a crear. La clase usada para la formación de este bloque es creacionModelo.py.
Esta clase contiene todas las redes neuronales con las que se han hecho las pruebas de
clasificación.
A continuacion, muestro un ejemplo de esta sección en el archivo ejecutable:
Figura 5.13: Creación del Modelo
Los atributos a indicar son el numClases que indica, en este caso, el número de
tipos de galaxias que vamos a diferenciar durante el entrenamiento. Como bien se
ha definido anteriormente, son los tipos de galaxias según su morfologı́a. En algunos
entrenamientos usaremos 4 tipos mientras que en otros solo 3, despreciando las
imágenes que son galaxias de tipo Other.
El atributo canales sirve para informar que las imágenes a procesar son en color
y no en blanco y negro, hay que hacer uso del RGB. Este atributo será siempre igual
para todos los entrenamientos ya que todas las imágenes son a color.
El atributo viewSummary sirve para mostrar el conjunto de capas que forman la
red neuronal junto con los parámetros que se usarán por cada capa. Cuando su valor
es 1 muestra esta información por consola y cuando su valor es 0 no se mostrará. Este
valor siempre será fijo para todos los entrenamientos ejecutados.
Por último tenemos el atributo modelType donde se informa del tipo de red
48
Neuronal que se va a usar para el entrenamiento. Se indicará a través del nombre de la

red neuronal a usar en ese momento.
La clase creacionModelo contiene todas las redes que se han usado en la búsqueda
de la mejor clasificación de imágenes de galaxias posible.
Para la creación de las redes neuronales se han usado un conjunto de capas, cada
una de las cuales ha tenido su función dentro de esta red. Para la definición de las capas
se ha usado la librerı́a layers que se encuentra en la biblioteca de Keras.
Algunas de las capas más usadas y principales para este tipo de trabajos son las
siguientes [17]:
Capas convolucionales
Las capas convolucionales operan sobre los datos de entrada mediante el cálculo
de convoluciones discretas con bancos de filtros finitos.
Figura 5.14: Capa de Convolución, Diego Calvo
En este tipo de capas, las operaciones de convolución permiten obtener

caracterı́sticas dominantes de la imagen de entrada relacionadas con los objetivos de
entrenamiento. De forma experimental se observa que las primeras capas en redes de
convolucionales se centran en la búsqueda de caracterı́sticas simples, como podrı́an
ser bordes, esquinas o regiones. A medida que se avanza hacia capas más profundas,
49
se aumenta el nivel de abstracción del contenido de la imagen al que se muestran

sensibles.
Figura 5.15: Ejemplo de Filtros a Diferentes Niveles de Abstracción, Jorge Rodrı́guez

Araújo
Para la mayorı́a de las redes usadas, la capa Convolucional que se ha empleado

es la Conv2D. Un ejemplo de como se define esta capa se puede ver en la siguiente
imagen.
Figura 5.16: Capa Conv2D
50
Capas Densas
Este tipo de capas están representadas por las neuronas clásicas empleadas en los
ya conocidos perceptrones. Su función suele ser principalmente la de completar el
clasificador final, que será el encargado de pasar de mapas de caracterı́sticas a valores
concretos en función del objetivo de la red (clasificación o regresión).
Figura 5.17: Ejemplo de Capa Densa, Hamza Bendemra
Para esta capa se ha empleado la Dense. Un ejemplo de esta capa se puede ver en
la siguiente imagen.
Figura 5.18: Ejemplo de Capa Densa en keras
Capas de Activación
Estas capas son las encargadas de aportar no linealidad a las funciones generadas
por las redes neuronales y de agregar las activaciones de múltiples capas en la salida
de la red.
Estas capas se aplican como atributo al resto de capas que forman la red neuronal.
Se puede observar en los diversos ejemplos introducidos en cada una de la capas que
se han explicado con el nombre de activation.
Las capas de activación usadas en las diferentes redes neuronales son las siguientes:
Lineal: La función lineal es bastante conocida por ser empleada en problemas de
regresión y se encuentran generalmente en la salida de la red. Un ejemplo:
51
Figura 5.19: Activación Lineal
Unidad Lineal Rectificada o Relu: La función Relu es una función de activación

muy utilizada en las redes neuronales actuales. Esto es debido a que se demuestra
experimentalmente que dicho tipo de activaciones permiten redes más profundas y
facilitan el entrenamiento de las mismas. Un Ejemplo:
Figura 5.20: Activación Relu
Softmax: La función softmax es una extensión de la clásica función logı́stica,

empleada principalmente para la clasificación multiclase.
52
Max-Pooling
El filtro max-pooling es una forma de reducción del volumen de salida de las capas
convolucionales de la CNN y que permite además incrementar el campo de percepción
de la red.
Ejemplo de matriz 4x4 en la cual se realiza un maxpooling de 2x2 con un stride de
2.
Figura 5.21: Ejemplo Matriz Max-Pooling, FirelordPhoenix
Ejemplo visual de la actuación de una capa Max-Pooling
Figura 5.22: Ejemplo Max-Pooling, FirelordPhoenix
Para este trabajo se ha empleado la MaxPooling2D. Un ejemplo de esta capa se

puede ver en la siguiente imagen.
Figura 5.23: Ejemplo Max-Pooling en Keras
53
Flatten
Una capa flatten consigue llevar todas las dimensiones a una sola. Convierte nuestra
imagen en un array de valores. Pasamos de tensor 3D a tensor 1D.
Figura 5.24: Ejemplo Capa Flatten en Keras
Dropout
Capa de regularización. Consigue que las neuronas sean independientes y que no

se interrelacionen entre sı́. El valor que se le indique quiere decir que hay un tanto por
ciento de probabilidad de que el Dropout cancele una neurona. Capa aconsejable para
evitar el sobreentrenamiento u overfiting.
Figura 5.25: Ejemplo Capa Dropout en Keras
54
5.2.4. Compilación del modelo
Este bloque es el paso previo para comenzar el entrenamiento y será donde se

ejecuta el método compile del modelo creado anteriormente. La clase usada para la
formación de este bloque es compilarModelo.py.
A continuación, muestro un ejemplo de esta sección en el archivo ejecutable:
Figura 5.26: Compilación del Modelo
El atributo typeGradient informará del tipo de Gradiente Estocástico a usar para

el entrenamiento. Es el optimizador usado para el entrenamiento. El código esta
preparado para hacer uso de los siguientes tipos:
Adam
SGD
Adagrad
Con respecto a los optimizadores, encontramos una gran variedad de ellos a usar en
las redes convolucionales. Tanto el Adam como el Adagrad derivan del algoritmo de
descenso por gradiente estocástico SGD. En este algoritmo se seleccionan conjuntos
de entrenamiento de pequeño tamaño de forma aleatoria, también conocidos como
batchs. Estos son utilizados para realizar una iteración de descenso por gradiente para
minimizar la función de pérdidas del entrenamiento. El algoritmo SGD tiene como
principal parámetro a ajustar la magnitud del descenso o learning rate.
55
A partir de SGD se han desarrollado otros métodos que varı́an dinámicamente

el parámetro learning rate durante el entrenamiento. Dentro de los optimizadores
adaptativos clásicos encontramos Adagrad, que a posteriori derivaron en Adam [17].
En este trabajo el usado finalmente para todos los entrenamientos es Adam, ya que
sus caracterı́sticas adaptativas y los resultados reportados por diferentes benchmarks
de optimización lo sitúan como un buen candidato para el entrenamiento de redes
neuronales. Con respecto a las diferentes pruebas realizados por cada uno de los
optimizadores, la diferencia de resultados de Adam con respecto al resto ha sido
considerable.
Las ventajas de Adam estan en la simplicidad de su implementación, su eficiencia
computacional y su buen funcionamiento en problemas con gran número de datos y
parámetros.
El atributo typeMetric es el tipo de métrica a usar e indica como se obtendrá la
precisión en relación a los resultados obtenidos del entrenamiento.
La formula usada es la siguiente:
Figura 5.27: Fórmula accuracy
donde VP son los verdaderos positivos y FP son los falsos positivos.

En el método compile se indicarán el tipo de pérdida que en este caso siempre
será categorical crossentropy. Esto es ası́ ya que es la usada para entrenamientos de
clasificación multiclase. El optimizador y el tipo de métrica se indicarán por parámetro
en la clase principal.
Figura 5.28: Ejemplo método compile en Keras
56
5.2.5. Entrenamiento del modelo
En este bloque es donde ya se comienza el entrenamiento. La clase usada para la

formación de este bloque es entrenamientoModelo.py.
A continuación, muestro un ejemplo de este bloque en el archivo ejecutable:
Figura 5.29: Entrenamiento del Modelo
Los generadores de lotes que se usarán en este bloque serán los mismos que se
obtuvieron durante le ejecución del segundo bloque. Se usarán el de entrenamiento,
validación y test en este mismo bloque.
Se deberá indicar el número de épocas que desea se ejecute durante el
entrenamiento, es decir, el número de veces que las imágenes pasarán por la red
neuronal.
Los atributos steps indicarán el número de batchSize que se usarán por cada época.
Es decir, si tenemos un step en entrenamiento de 140 y un batch size de 40, el número
de imágenes que se procesarán en esa epoca será de 140*40. De esta forma se controla
el número de imágenes que deseamos se procese por época sin tener la necesidad de
procesar todas las imágenes que contenga el generador de lotes creado.
Por último, hay informar al atributo verbose. Este sirve para indicar, miestras se
esta realizando el entrenamiento, si se desea que se vaya mostrando la evolución de
este (valor 1) o simplemente informar al final de cada epoca (valor 2) o directamente
no informar (valor 0).
57
Dentro de este bloque, en el momento de llamar al metodo

ejecutarEntrenamientoYValidacion se procederá a realizar el entrenamiento de
las imágenes y un posterior test para verificar como ha ido ese entrenamiento.
En primer lugar, se ejecuta el metodo fit generator. Este método es único para
cuando se usan generadores de lotes a través de la librerı́a ImageDataGenerator. En
caso de que no se quisieran udar lotes se harı́a uso del metodo fit. Se le informará como
parámetros de entrada el generador de lotes del entrenamiento y validación. También
se informará de sus respectivos steps, de las épocas que se desean ejecutar y el verbose.
Una vez termina el entrenamiento, se guarda toda la información de este en la variable
history.
Figura 5.30: Ejemplo Función Fit Generator en Keras
Posteriormente, se procede a realizar la evaluación del entrenamiento realizado. Se

hace uso del método evaluate generator, informando a este del generador de lotes de
test junto con su step y el verbose. Este método nos dará un porcentaje indicando los
aciertos con las imágenes de test.
Figura 5.31: Ejemplo Función Evaluate Generator en Keras
58
5.2.6. Resultados del entrenamiento
Último bloque a ejecutar. Mostrará los resultados de como ha ido el entrenamiento

por cada una de las épocas que se han ejecutado a través de una gráfica. La clase usada
para la formación de este bloque es muestraResultados.py.
A continuación, muestro un ejemplo de este bloque en el archivo ejecutable:
Figura 5.32: Resultados del entrenamiento
En primer lugar, mostrará un par de gráficas. Estas nos darán una relación de la
evolución de la Precisión por época y de las Pérdidas por época. Estas gráficas son
bastante buenas ya que se refleja perfectamente si una red no dará para más o si se
pueden obtener mejores resultados. Esta información la obtiene del atributo history,
siendo este atributo el resultado del método fit generator.
Tambien mostrará en consola los resultados de la etapa de test. El porcentaje de
acierto final y la pérdida.
El atributo nombreModelo informará del nombre que se quiere poner al modelo
generado tras el entrenamiento y que se guardará en la misma carpeta donde se
encuentra el ejecutable.
59
60
Capı́tulo 6
Resultados
En este capı́tulo se expondrán un conjunto de resultados de aquellos entrenamientos

ejecutados a lo largo de este trabajo y que han generado modelos con los resultados
más interesantes. Este conjunto de resultados se dividen en dos grandes grupos:
1. Entrenamientos de redes neuronales obtenidos a través de libros, artı́culos en

internet o cursos online de Deep Learning. Una vez investigado lo mejor de cada
una de estas redes, se ha creada una red neuronal de cero.
2. Entrenamientos de redes neuronales obtenidas a través de la biblioteca

applications de Keras.
Cada red neuronal tiene sus propias caracterı́sticas y lógicamente, los atributos
en algunos de estos casos no serán iguales. Pero hay otros atrı́butos donde siempre se
realizarán los entrenamientos con los mismos valores. A continuación, se expondrá una
tabla con estos atributos y sus respectivos valores:
canales viewSummary typeGradient typeMetric verbose

3 1 Adam categorical accuracy 2
Tabla 6.1: Parámetros comunes en los Entrenamientos para todas las Redes Neuronales
Por cada conjunto de entrenamiento expuesto anteriormente, solo se

informará aquellos cuyos resultados sean los más interesantes.
61
6.1. 1o CONJUNTO DE ENTRENAMIENTOS
6.1. 1o Conjunto de Entrenamientos

En este primer conjunto se mostrarán los resultados obtenidos de una red neuronal
creada de cero. Después de haber probado con una cantidad considerable de redes
neuronales obtenidas de libros, curso online y artı́culos vistos por internet, junto con
los conocimientos adquiridos durante el tiempo de investigación, el resultado ha sido
el siguiente:
Figura 6.1: Red Neuronal Creada desde Cero
Como se muestra en la imagen, esta red tiene una parte de clasificación y otra
de generación del modelo. La parte de clasificación es una combinación de capas
convolucionales Conv2D y MaxPooling. Estas capas van aumentado progresivamente
el número de neuronas con el fin de poder profundizar cada vez más en las imágenes a
entrenar y ası́ obtener mayor detalle de estas. Estas capas tienen una activación Relu.
En la parte de Generación del Modelo se comienza con una capa Flatten para
tratar mejor la información y se crean combinaciones de capas Dense y DropOut.
62
CAPÍTULO 6. RESULTADOS
En las capas Dense se va disminuyendo progresivamente el número de neuronas a usar

con activación relu. Las capas Dropout me valen para evitar el sobreentrenamiento
u overfiting, es decir, que la precisión de entrenamiento sea mucho mayor que la de
validación. Terminamos con una capa Dense con la misma cantidad de neurones como
tipos de galaxias se están entrenando en ese momento. La activación usada es la de
softmax, usada para las clasificaciones multiclase.
63
Esta Red Neuronal, durante la ejecución de un entrenamiento hace uso de una

pequeña cantidad de parámetros lo que resulta beneficioso para el uso de imágenes
más amplias y tener conjuntos de trabajo o batchsize más numerosos, mejorando ası́ los
resultados finales y resolviendo los problemas de memoria en la GPU que se han ido
informando en capı́tulos anteriores.
Figura 6.2: Capas y Parámetros de la Red Neuronal
64
En total, se hace uso de 1.916.931 parámetros, lo que resulta bastante poco para un
entrenamiento con imágenes. Se puede ver el número de parámetros usados por cada
capa.
Con respecto a los resultados obtenidos en los 4 conjuntos de entrenamientos que
se ha diferenciado, se han encontrado resultados bastantes diferentes y por lo general
no muy buenos. Se irán exponiendo uno a uno.
65
6.1.1. Dataset 1 - Muchas Imágenes con 4 clases de galaxias
En la siguiente imagen se puede observar como ha ido evolucionando la precisión

del entrenamiento y validación a lo largo de las 20 épocas en las que se ha hecho el
entrenamiento. También se observa la evolución de las pérdidas en cada época.
Figura 6.3: Resultados Entrenamiento 1 por Épocas
A continuacion, se puede observar una gráfica con la evolución en la precision del

modelo a lo largo de las 20 épocas. En la lı́nea que representa el entrenamiento, se
66
puede observar como esta ha ido subiendo a buen ritmo hasta las época 7. A partir
de ahı́, se ha mantenido en los mismos valores hasta el final. El resultado final es
un 73 % de precisión lo que no está nada mal. Con respecto a la validación, no ha
crecido tanto como la del entrenamiento, lo que significa que los resultados no son
nada buenos. Se ha mantenido oscilando entre los mismos valores durante las 20
épocas. Este entrenamiento destaca por su enorme sobreentrenamiento u overfiting.
Esto quiere decir que, este modelo sabe diferenciar muy bien las imágenes con las que
ha entrenado, pero si le dices que clasifique otras imágenes diferentes, el resultado es
mucho peor.
Figura 6.4: Gráfica 1 - Relación Precisión entre Entrenamiento y Validación en cada

una de las épocas
En la siguiente gráfica observamos las pérdidas del modelo en entrenamiento y

validación. Vemos como en entrenamiento este valor es bajo, ha llegado a un buen
nivel de pérdidas pero en validacion este valor es bastante alto. Representa lo mismo
que lo comentado anteriormente con el sobreentrenamiento u overfiting.
67
Figura 6.5: Gráfica 1 - Relación Pérdidas entre Entrenamiento y Validación en cada

una de las épocas
Los resultados obtenidos en la fase de Test una vez hemos obtenido el modelo
entrenado son los siguientes:
Precisión % Perdidas % Tiempo Empleado

0.5244 1.8715 2 horas, 44 minutos y 40 segundos
Tabla 6.2: Resultados entrenamiento con el Dataset 1
Como se puede observar, los resultados no son nada buenos con un 52 % de

aciertos. También podemos ver como el tiempo empleado es bastante alto. Afecta
mucho en el número de imágenes empleadas, ya que, cuantas más imágenes se usen
durante el entrenamiento, mayor será el tiempo empleado. Está en la media con
respecto al resto de entrenamientos con otras redes neuronales probadas.
68
6.1.2. Dataset 2 - Pocas Imágenes con 4 clases de galaxias
El siguiente entrenamiento es realizado con el dataset que contiene pocas imágenes

y no se ha hecho uso de la técnica de Data Augmentation. Se hará uso de los 4 tipos de
galaxias introducidos durante el documento. En la siguiente imagen ser puede observar
como ha ido evolucionando la precisión del entrenamiento y validación a lo largo de
las 20 épocas en las que se ha hecho el entrenamiento. También se observa la evolución
de las pérdidas en cada época.
69
A continuación, se puede observar una gráfica con la evolución en la precisión

del modelo a lo largo de las 20 épocas. En la parte del entrenamiento, este ha ido
subiendo casi de forma progresiva durante todo el entrenamiento. Se puede ver como
cada vez le cuesta más mejorar esta precisión. Al final se quedó con un 65 % de
precisión, peor que el entrenamiento con mayor número de imágenes. Con respecto
a la validación, la progresión ha sido muy pareja con los valores del entrenamiento.
Este entrenamiento, se puede considerar, por una parte bueno, ya que overfiting o
underfiting es casi despreciable en los resultados finales. Por otra parte ese 65 % de
precisión en el entrenamiento y 62 % de precisión en validación, no se consideran
valores especialmente buenos. Esto quiere decir que hay casi un 40 % de imágenes que
no se han clasificado correctamente.

una de las épocas

validación. Vemos como los valores han ido evolucionando de forma bastante pareja
durante el entrenamiento del modelo lo que es bastante bueno. Han mejorado bastante
70
estos valores con respecto al primer entrenamiento comentado anteriormente.

una de las épocas
Los resutados obtenidos en la fase de Test una vez hemos obtenido el modelo

0.6366 0.8433 44 minutos y 20 segundos
Con un casi 64 % de acierto final durante la fase de Test, mejora bastante el

resultado final con respecto al entrenamiento anterior realizado con un mayor número
de imágenes. Otro detalle importante es que el tiempo empleado para obtener este
modelo es bastante más bajo que el anterior. Con estos resultados nos llega la
conclusión de que no siempre por usar un mayor número de imágenes se van a obtener
mejores resultados.
71
6.1.3. Dataset 3 - Muchas Imágenes con 3 clases de galaxias
El siguiente entrenamiento es realizado con el dataset que contiene una gran

cantidad de imágenes, aplicándose la técnica de Data Augmentation en aquellos tipos
de galaxias donde el número de imágenes disponibles era menor que el resto. Se
eliminarán todas las imágenes pertenecientes al tipo de galaxia Other. Esto se hace con
el fin de verificar que, al ser un tipo de galaxia donde las imágenes tienen estruturas sin
definir, dificulta el aprendizaje de patrones de estas. En la siguiente imagen ser puede
observar como ha ido evolucionando la precisión del entrenamiento y validación a lo
largo de las 20 épocas en las que se ha hecho el entrenamiento. También se observa la
evolución de las pérdidas en cada época.
72
A continuación, se puede observar una gráfica con la evolución de la precisión

del modelo a lo largo de las 20 épocas. En la parte del entrenamiento, este ha ido
subiendo a buen ritmo hasta la época 7. A partir de ahı́, se ha mantenido en los
mismos valores hasta el final. Al final se quedó con un 89 % de precisión, lo que
nos da un resultado bastante bueno. Con respecto a la validación, no ha crecido tanto
como la del entrenamiento, lo que significa que los resultados no son tan buenos como
parecı́an. Se ha mantenido oscilando entre los mismos valores, 0.6 y 0.65, durante las
20 épocas. Este entrenamiento destaca por su enorme sobreentrenamiento u overfiting.
Esto quiere decir que, este modelo sabe diferenciar muy bien las imágenes con las que
ha entrenado, pero si le dices que clasifique otras imágenes diferentes, el resultado es
mucho peor.
Esta gráfica es muy similar a la que se obtuvo durante el primer entrenamiento
mostrado anteriormente, con la única diferencia que lo valores entre los que se ha
movido han mejorado bastante, tanto en entrenamiento como en validación.

una de las épocas

validación. Vemos como en entrenamiento este valor es bajo, ha llegado a un buen
nivel de pérdidas. En cambio, en la parte de validación, este valor es bastante alto.
73
Representa lo mismo que lo comentado anteriormente con el sobreentrenamiento. Esta

gráfica es muy pareja a la que obtuvimos en el primer entrenamiento igualando incluso
los valores entre los que se han movido las pérdidas de entrenamiento y validación.

una de las épocas
Los resutados obtenidos en la fase de Test una vez hemos obtenido el modelo

0.6415 1.6659 2 horas, 32 minutos y 52 segundos
El resultado en precisión es el mejor obtenido hasta ahora con un 64 % ,pero el valor

obtenido en pérdidas hace indicar un fuerte sobreentrenamiento por lo que se puede
considerar un modelo no válido para clasificar. Podemos ver como el tiempo empleado
es bastante alto. Afecta mucho el número de imágenes empleadas, ya que cuantas más
imágenes se usen durante el entrenamiento, mayor será el tiempo empleado. Está en la
media con respecto al resto de entrenamientos con otras redes neuronales probadas.
74
6.1.4. Dataset 4 - Pocas Imágenes con 3 clases de galaxias
El siguiente entrenamiento es realizado con el dataset que contiene pocas imágenes

y no se ha hecho uso de la técnica de Data Augmentation. Se eliminará el tipo de
galaxia Other. Esto se hace con el fin de verificar que, al ser un tipo de galaxia donde
las imágenes tienen estruturas sin definir, dificulta el aprendizaje de patrones de estas.
En la siguiente imagen ser puede observar como ha ido evolucionando la precisión
del entrenamiento y validación a lo largo de las 20 épocas en las que se ha hecho el
entrenamiento. También se observa la evolución de las pérdidas en cada época.
75
A continuación, se puede observar una gráfica con la evolución en la precisión del

modelo a lo largo de las 20 épocas. En la parte del entrenamiento, este ha ido subiendo
casi de forma progresiva durante todo el proceso. Se puede ver como cada vez le cuesta
más mejorar esta precisión. Al final se quedó con un 84 % de precisión, mejorando
cualquier otro entrenamiento presentado hasta ahora. Con respecto a la validación, la
progresión ha sido muy pareja con los valores del entrenamiento. Este entrenamiento
es sin lugar a dudas, el mejor entrenamiento realizado hasta ahora. Presenta unos
valores de precisión bastantes altos, tanto en entrenamiento (84 %) como en validación
(85 %). Presenta un mı́nimo de underfiting, es decir, mejor valor en validacion que en
entrenamiento. Lo que sucede con el underfiting es que el modelo sabe reconocer una
estructura determinada en la imagen y sı́ esta modifica algo ya no es capaz de averiguar
a que clase pertenece una determinada imagen. Este underfiting es casi despreciable.
Este modelo se puede considerar como un gran ejemplo de buen entrenamiento.

una de las épocas
76
validación. Vemos como los valores han ido evolucionando de forma bastante pareja
durante el entrenamiento del modelo. Volvemos a tener los mejores valores obtenidos
en este caso de pérdidas, con valores bastantes bajos lo que es bastante positivo.

una de las épocas
Los resutados obtenidos en la fase de Test, una vez hemos obtenido el modelo
entrenado, son los siguientes:
Precisión Perdidas Tiempo Empleado

Con un 83 % de precisión y 0,44 de pérdidas durante la fase de Test, es el mejor

valor obtenido de todos tipos de entrenamientos realizados con esta red neuronal. Otro
detalle importante es que el tiempo empleado para obtener este modelo es bastante más
bajo que todos los anteriores. Con estos resultados nos llega la conclusión de que no
siempre por usar un mayor número de imágenes se van a obtener mejores resultados y
77
que, las imágenes de tipo Other, estaban empeorando de forma considerable cualquier
entrenamiento que realizáramos.
La conclusión final que hemos obtenido de estos cuatro entrenamientos, realizados
todos ellos con una misma red neuronal, es que no siempre que se usen un mayor
número de imágenes, el resultado va a ser mejor. La técnica de Data Augmentation
no siempre es buena. Por otro lado, hay que analizar muy bien la clasificación que se
quiera realizar. Como hemos visto en este ejemplo, un tipo que no este bien definido,
es muy probable que la propia red no pueda sacar elementos en común de este tipo que
haga clasificarlos de forma correcta.
78
6.1.5. Realizando entrenamientos con diferentes Optimizadores
Se van a mostrar las diferencias entre los distintos optimizadores usados. En los
entrenamientos mostrados anteriormente, el único optimizador usado es Adam. A
continuación, se mostrarán las diferencias con respecto a los optimizadores Adagrad y
SGD. Para estas pruebas se ha hecho uso del dataset con un menor número de imágenes
y con solo tres tipos de galaxias.
Resultados con SGD:
Este optimizador fue de los primeros en usarse en Deep Learning. La evolución del
entrenamiento con este optimizador ha sido la siguiente:
Figura 6.15: Resultados Entrenamiento 4 con SGD por Épocas
79
La siguiente gráfica mostrará la evolución de la precisión del modelo en cada una

de las 20 épocas que duró este entrenamiento.

una de las épocas con SGD
La siguiente gráfica mostrará la evolución de las pérdidas del modelo en cada una

una de las épocas con SGD
80
Los resultados finales obtenidos una vez se ha ejecutado la fase de Test han sido
los siguientes:

Tabla 6.6: Resultados entrenamiento con el Dataset 4 y optimizador SGD
Se puede observar como la precisión obtenida finalmete ha sido ligeramente peor

que la que se obtuvo con el optimizador Adam (0.83). Del mismo modo, la pérdida
también asciende ligeramente. Este cambio de optimizador apenas afecta al tiempo
que dura la ejecución del entrenamiento.
Resultados con Adagrad:
Este optimizador se obtuvo a través del SGD. Se puede considerar una evolución
del SGD. El entrenamiento con este optimizador ha sido la siguiente:
Figura 6.18: Resultados Entrenamiento 4 con Adagrad por Épocas
81
La siguiente gráfica mostrará la evolución de la precisión del modelo en cada una


una de las épocas con Adagrad
La siguiente gráfica mostrará la evolución de las pérdidas del modelo en cada una

una de las épocas con Adagrad
82
Los resultados finales obtenidos una vez se ha ejecutado la fase de Test han sido
los siguientes:

Tabla 6.7: Resultados entrenamiento con el Dataset 4 y optimizador Adagrad
Se puede observar como la precisión obtenida finalmete ha sido ligeramente peor

que la obtenida con el optimizador Adam (0.83) pero mejor que la de SGD. Del
mismo modo, la pérdida también se encuentra entre los valores obtenidos de Adam
y SGD. Este cambio de optimizador apenas afecta al tiempo que dura la ejecución del
entrenamiento.
Como conclusión se puede tomar, que tanto con Adam como con Adagrad al ser
evoluciones de SGD, mejoran los resultados finales. Del mismo modo, el optimizador
Adam ha obtenido mejores resultados que Adagrad. Hecho comprensible ya que Adam
es a su vez una evolución de Adagrad. Por lo tanto, de los tres optimizadores, el que
mejores resultados ha obtenido es Adam, aunque esto no quiere decir que sea siempre
el más idóneo para todo tipo de clasificaciones de imágenes.
83
6.2. 2o Conjunto de Entrenamientos
Para esta sección, se van a presentar los entrenamientos que se han realizado ya
con redes neuronales hechas y de gran conocimiento en el mundo del Deep Learning.
Para ello se hará uso de nuevo de la biblioteca de Keras donde se nos facilita la carga
de estas redes de una forma sencilla a través de la librerı́a Applications.
Figura 6.21: Import de las Redes Neuronales de la librerı́a Applications
Una vez tenemos el import con todas las redes neuronales que se van a usar se
procede a cargarlas. Como verán a continuación, el uso de estas redes es bastante
sencillo. Basta con llamar al método indicado en el import con la red que se desea
trabajar (en este caso es la VGG16). Para estas pruebas, solo se indicará el tamaño de
filas y columnas de las imágenes con las que se realizarán los entrenamientos. También
se indicará el número de canales que siempre será 3 al tratar con imágenes en color.
Por último, se indicará el número de clases en las que se hará la clasificación. El resto
de parámetros serán por defecto.
Figura 6.22: Ejemplo - Carga de la Red Neuronal VGG16
Como bien se ha podido ver en el import, las redes neuronales que se usarán serán
las siguientes:
1. VGG16
2. VGG19
3. Resnet 50
4. Inception V3
84
5. Xception
6. Inception Resnet V2
Estas redes son bastante más complejas que las presentadas anteriormente y están
preparadas para resolver problemas mucho más complejos, aunque no siempre es la
mejor solución como veremos a continuación.
Resultados obtenidos de los entrenamientos
A continuación, se indicarán brevemente los resultados obtenidos en los diversos

entrenamientos realizados con cada una de ellas. Se expondrán cuatro tablas. La
primera de ellas será los resultados de aquellos entrenamientos realizados con un gran
cantidad de imágenes por cada tipo de galaxia (unas 23.000 por cada tipo de galaxia).
La clasificación será con 4 tipo diferentes de galaxias. Se informa de la precisión final,
la pérdida final y el tiempo empleado en la ejecución del entrenamiento y obtención
posterior de los resultados.
Red Neuronal Precisión Perdidas Tiempo

Exception 0.5726 2.3555 3 horas, 55 minutos y 38 segundos
Inception Resnet V2 0.5257 2.4311 8 horas, 19 minutos y 54 segundos
Inception V3 0.5534 2.5887 5 horas, 34 minutos y 39 segundos
Resnet 50 0.5654 2.3154 4 horas, 49 minutos y 51 segundos
VGG 19 0.2498 1.3865 4 horas, 47 minutos y 26 segundos
Tabla 6.8: Resultados entrenamientos con Dataset 1
85
Esta segunda tabla será los resultados de aquellos entrenamientos realizados con
una gran cantidad de imágenes por cada tipo de galaxia (unas 23.000 por cada tipo de
galaxia). La clasificación será con 3 tipos diferentes de galaxias eliminando la de tipo
OTHER.

Esta tercera tabla será los resultados de aquellos entrenamientos realizados con una
cantidad de imágenes bastante menor que las dos primeras. Habrá unas 2.000 imágenes
por cada tipo de galaxia. La clasificación será con 4 tipos diferentes.

VGG 16 0.2500 1.3863 50 minutos y 35 segundos
Esta cuarta y última tabla será los resultados de aquellos entrenamientos realizados
con una cantidad de imágenes bastante menor que las dos primeras. Habrá unas 2.000
imágenes por cada tipo de galaxia. La clasificación será con 3 tipos diferentes de
galaxias eliminando la de tipo OTHER.
86

VGG 16 0.3391 1.0985 50 minutos y 47 segundos
Conclusión de los resultados obtenidos
Para estas conclusiones se van a tomar como referencia los resultados obtenidos
por la red neuronal que se ha hecho desde cero, expuesta en la sección anterior de este
capı́tulo.
Analizando de primeras todos los resultados obtenidos sacamos de primeras dos

conclusiones bastante rápidas. La primera, es que las redes VGG 16 Y 19 para esta
clasificación funcionan bastante mal obteniendo siempre resultados bastantes bajos
con respecto al resto de redes neuronales. Como segunda conclusión, y está más
global ya que afecta a todas las redes, es el tiempo empleado en la realización de los
entrenamientos. Este tiempo suele ser bastante más alto que todos los entrenamiento
que he ido realizando durante el primer conjunto de entrenamientos. Destaca bastante
la red Inception Resnet V2.
Con respecto a los resultado finales, sin tener en cuenta el tiempo empleado, el resto
de redes (excluimos las VGG’s) tienen resultados bastante iguales en cada uno de los
diferentes entrenamientos realizados. Destaca, con los mejores resultados obtenidos,
la red Exception sobre el resto.
Por lo tanto, si hay que escoger una red para trabajar en este tipo de clasificaciones,
sin duda elegirı́a la Exception. Ya no solo por los resultados que son los mejores,
sino también por el tiempo empleado en estos entrenamientos. Se puede observar
claramente como estos tiempos son los más bajos en cada uno de los diferentes
entrenamiento.
87
Si comparamos la red Exception con las creada desde cero en el primer conjunto
de entrenamientos que se expuso anteriormente, podemos ver como los resultados de
la red Exception son mı́nimamente mejores en todos los casos, pero también hay que
tener en cuenta el tiempo empleado. Este tiempo es bastante mayor en la red Exception
por lo que sin duda alguna me quedo con la red creada desde cero.
Escojo esta porque al final vamos a emplear menos tiempo para obtener casi los
mismos resultados que la Exception.
Un último detalle que querı́a remarcar y que me gustarı́a exponer es el resultado
de Red Inception Resnet V2 que se puede observar en la tercera tabla de resultados.
Como se puede ver, este resultado es bastante inferior a lo que nos suele dar esta
red y que podemos ver en el resto de entrenamiento. Este al final es un error que
se ha dado durante el entrenamiento que no he podido solucionar ni encontrar el
motivo exacto. Tengo la certeza de que puede ser por la memoria ocupada durante
la ejecución del entrenamiento anterior. Lo que ha hecho, de algun modo, es desvirtuar
este entrenamiento y no ha logrado realizar un entrenamiento limpio. Este error me
ha ocurrido bastante a lo largo de todo este trabajo, por lo que en ocasiones tenı́a que
ejecutar varias veces un mismo entrenamiento para cerciorarme de que ese resultado
era el máximo que me podı́a dar la red con la que estuviese trabajando.
En cierta medida, conseguı́ que este error se dejará de reproducir apagando el
equipo y haciendo que se liberará toda la memoria de la GPU al ser esta volátil. Pero,
como se ha podido comprobar, no siempre funcionó.
88
6.3. Trabajando con los modelos obtenidos

En esta sección se les mostrará como trabajar con un modelo resultante de un
entrenamiento. En este caso, se hará uso del modelo obtenido a través de la red
neuronal creada desde cero y, en particular, la obtenida con el dataset 4 que contenı́a
tres tipos diferentes de galaxias, eliminando la de tipo Other y con pocas imágenes
usadas durante su entrenamiento (2000 imágenes por galaxia).
Por un lado, se les mostrará los filtros creados en las capas de activación de aquellas
capas usadas para la parte de Clasificación, como son la Conv2D y la MaxPooling2D.
La imagen original usada para esta prueba es la siguiente:
Figura 6.23: Imagen Original usada para el ejemplo
89
6.3. TRABAJANDO CON LOS MODELOS OBTENIDOS
A partir de esta imagen se han obtenido los distintos filtros que se han creado en
las distintas capas usadas. Un ejemplo de estos filtros son los siguientes:
Figura 6.24: Filtro capa de activación Relu
Figura 6.25: Filtro capa de activación Relu
90
A continuación, se les mostrará todos los filtros obtenidos de cada una de las capas
pertenecientes a la parte de Clasificación de nuestra Red Neuronal.
Figura 6.26: Filtro capa de activación de la conv2d 1
Figura 6.27: Filtro capa de activación de la max pooling2d 1
91
92
Conforme vamos a las capas mas profundas, se van obteniendo filtros con mayor
detalle, con mayor precisión. Es aquı́ de donde viene ese Deep (Profundo). Esta es la
gran diferencia del Deep Learning con el resto de técnicas actuales hoy en dı́a.
Otra de la pruebas que se ha hecho con el modelo obtenido, será la clasificación
de imágenes que nosotros elijamos y ası́ ver como clasifica entre los diferentes tipos
de galaxias. Se van a mostrar diversos resultados para que se vea que no siempre hay
que fiarse de los resultados obtenidos aunque, por lo general, la clasificación de estas
imágenes es bastante buena. Para hacer este trabajo se ha hecho uso del método predict
facilitado por la librerı́a de Keras. En primer lugar, se cargaba el modelo generado
anteriormente. Para ello se hace uso del método load, indicando la ruta donde se
encuentra este modelo.
Figura 6.34: Método para la carga del modelo
93
Una vez cargado el modelo, se van preparando las imágenes y se guardan todas en
un mismo array. Este array se le pasa al método predict indicado anteriormente.
Figura 6.35: Método Predict
Se obtiene un conjunto de array informando del tipo de galaxia a la que pertenece

cada imagen.
A continuación, se mostrarán algunas de las imágenes usadas para esta prueba junto
con los resultados de cada una de estas.
94
Para este ejemplo se ha usado una galaxia de tipo Espiral. Como se puede ver, el
resultado es bastante bueno ya que nos indica que esa galaxia es de tipo Espiral al
99.56 %, lo que es bastante precisa.
Figura 6.36: Imagen del Ejemplo 1
A continuación, se muestran las probabilidades que tiene la imagen de ser de cada

uno de los tipos de galaxias con las que hemos clasificado las imágenes. La suma de
estas dará el 100 %. Está bastante claro el tipo de galaxia que es.
Figura 6.37: Resultados del Ejemplo 1
95
Para este ejemplo se ha usado una galaxia de tipo Lenticular. Como se puede ver,
el resultado es bastante bueno ya que nos indica que esa galaxia es de tipo Lenticular
al 96.34 %, lo que es bastante preciso.

uno de los tipos de galaxias con los que hemos clasificado las imágenes. La suma de
96
Para este ejemplo se ha usado una galaxia de tipo Elı́ptica. Como se puede ver, el
resultado es bastante bueno ya que nos indica que esa galaxia es de tipo Elı́ptica al
99.9 %, lo que es bastante precisa y nos da bastantes garantı́as de que el resultado es el
correcto.

97
Para este ejemplo se ha usado una galaxia de tipo Elı́ptica. Como se puede ver, el
resultado ya no es muy preciso ya que nos da solo un 50.54 % de probabilidad de que
esa imagen sea una galaxia de tipo Elı́ptica. En esta ocasión, el resultado final es bueno
pero puede darnos lugar a dudas.

estas dará el 100 %. Vemos como también nos da un buen porcentaje con la galaxia de
tipo Smooth con un 32.2 % de probabilidades. Lo más práctico en estos casos es que
la solución final la de un experto y no sea la máquina quien lo decida.
98
Para este ejemplo se ha usado una galaxia de tipo Elı́ptica. En el entrenamiento

salió una precisión final del 84 % por lo que este modelo no te asegura siempre que
la clasificación sea la correcta. Este es uno de esos ejemplos. El resultado no coincide
con el del tipo de galaxia que realmente es. Se puede ver que nos predice que es una
galaxia de tipo Espiral con una probabilidad que no es muy buena lo que, al igual que
el anterior ejemplo, nos puede hacer dudar. Esta probabilidad es del 56,9 %. Como ya
comenté anteriormente, lo más práctico en estos casos es que la solución final la de un
experto y no sea la máquina quien lo decida.

estas dará el 100 %. Nos da un 38.95 % de que la imagen sea una galaxia de tipo
Elı́ptica. Una vez visto esto, ya entran en juego otros factores como puede ser el
99
porcentaje por el que se considera que la clasificación hecha por el modelo de una
determinada imagen es buena o no.
100
Capı́tulo 7
Conclusiones y trabajos futuros
Para la finalización de esta documentación expondré las conclusiones tomadas

tanto del trabajo como personales. También expondré algunos de los desarrollos que
podrı́an continuar a partir de lo realizado hasta ahora.
Con respecto a las conclusiones del trabajo, los resultados obtenidos han sido
mucho mejor de los esperados inicialmente. No hay que olvidar que Deep Learning
ha sido una herramienta totalmente nueva para mı́ y que he empezado de cero en el
inicio de este TFG. Me habrı́a gustado poder insertar muchas más herramientas que
nos ofrece Keras.
Ha sido un trabajo largo y costoso ya que, durante mi primera etapa del proyecto,
etapa que fue de obtención de conocimientos, me costó bastante entender todo lo que
se iba indicando, tanto en los libros como en el curso online que realicé. Aún ası́, no
fue hasta la segunda etapa, la de desarrollo, donde fui comprendiendo mucho mejor
como es el desarrollo en Deep Learning.
Personalmente, ha sido una experiencia muy buena el haberme enfrentado ante
este proyecto y haberlo superado. Seguro seguiré investigando y desarrollando más
mis conocimientos en el mundo del Deep Learning. Mundo que tiene mucho futuro y
que no se sabe hasta donde podrá llegar.
Como trabajo futuro respecto al punto donde se encuentra el proyecto planteo las
siguientes posibilidades.
101
Hacer uso de callbacks. Aunque, por lo general, en la llamada al método fit() se
hace uso del callback History, me habrı́a gustado hacer uso de otras que me parecieron
bastante interesantes:
EarlyStopping. Deja de entrenar cuando una cantidad monitoreada haya dejado

de mejorar.
ModelCheckpoint. Guarda el mejor modelo o modelos de nuestro

entrenamiento.
RemoteMonitor. La devolución de llamada se utiliza para transmitir eventos a

un servidor.
El uso de los pesos asignados a cada uno de los tipos de imágenes que se van a usar
para la realización el entrenamiento. Entiendo el comportamiento de los pesos, pero no
he sido capaz de asignar en código diferentes pesos a cada uno de los tipos de galaxias,
en relación a la cantidad de imágenes que tenı́a de cada uno de esos tipos.
Fuera del desarrollo del propio entrenamiento, desarrollar más el trabajo a partir de
la obtención del modelo de un entrenamiento. El poder desarrollar más aplicaciones
con el modelo resultante.
Por último, y es algo que me habrı́a encantando desarrollar para este TFG, es poder
desarrollar una aplicacion donde pueda usar el modelo resultante de un entrenamiento.
A partir de esta aplicación cualquier usuario habrı́a podido clasificar una o varias
imágenes a la vez, informando del tipo de galaxia a la que pertenece cada imagen
y ofreciendo al usuario el poder clasificar aquellas cuyo resultado es dudoso.
Bibliografı́a
[1] F RAN Ç OIS C HOLLET,((Deep Learning with Python)), Manning, pág. 4.
[2] www.bbvaopenmind.com/tecnologia/inteligencia-artificial/
el-verdadero-padre-de-la-inteligencia-artificial/
[3] www.planetachatbot.com/midiendo-la-inteligencia-artificial-el-test-de-turing-5243d1d5ead2
[5] www.xataka.com/robotica-e-ia/inteligencia-artificial-reemplazara-40-trabajos-proximos-
15-anos-asegura-kai-fu-lee-pionero-ia
[6] https://www.powerdata.es/big-data
[8] F RAN Ç OIS C HOLLET,((Deep Learning with Python)), Manning
[9] J ORDI T ORRES,((Deep Learning, Introducción práctica con Keras))
[10] https://www.kaggle.com/laurenkwong/galaxydat
[11] https://es.wikipedia.org/wiki/Clasificación morfológica de las galaxias
[12] https://es.wikipedia.org/wiki/Galaxia elı́ptica
[13] https://es.wikipedia.org/wiki/Galaxia lenticular
[14] https://es.wikipedia.org/wiki/Galaxia espiral
103
[15] F RAN Ç OIS C HOLLET,((Deep Learning with Python)), Manning
[16] https://keras.io/preprocessing/image/
[17] Curso Online Deep Learning e Inteligencia artificial con Keras/Tensorflow de la

plataforma Udemy.

TFGUEX 2019 Costa Miguel

Cargado por

Copyright:

Formatos disponibles

TFGUEX 2019 Costa Miguel

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TFGUEX 2019 Costa Miguel

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE EXTREMADURA

E SCUELA P OLIT ÉCNICA

G RADO EN I NGENIER ÍA I NFORM ÁTICA EN I NGENIER ÍA DEL

Clasificación Morfológica de Imágenes de Galaxias Mediante Técnicas de

E SCUELA P OLIT ÉCNICA

G RADO EN I NGENIER ÍA I NFORM ÁTICA EN I NGENIER ÍA DEL

Clasificación Morfológica de Imágenes de Galaxias Mediante Técnicas de

Autor: Luis Antonio Costa Miguel

Tutor: Juan Antonio Rico Gallego

En este trabajo se ha realizado un estudio de alternativas basadas en Deep Learning

3. Estado del Arte 7

7. Conclusiones y trabajos futuros 101

5.1. Tabla imágenes para Entrenamiento . . . . . . . . . . . . . . . . . . 37

6.1. Parámetros comunes en los Entrenamientos para todas las Redes

3.1. Relación Inteligencia Artificial con el Deep Learning . . . . . . . . . 7

4.1. Captura del telescopio Hubble . . . . . . . . . . . . . . . . . . . . . 19

5.1. Estructura Proyecto Archivos Ejecución . . . . . . . . . . . . . . . . 39

6.1. Red Neuronal Creada desde Cero . . . . . . . . . . . . . . . . . . . . 62

Durante los últimos años estamos viendo como el mundo de la tecnologı́a

Acceso digital al cliente y a otros usuarios en menor tiempo

1.1. Presentación de los capı́tulos

Objetivos. En este capı́tulo se describe cuál es el objetivo principal por el que se

Metodologı́a. En este capı́tulo se describen todas las tencologı́as empleadas,

Implementación y Desarrollo. Se describen las diferentes partes en las que se

Resultados. Se presentarán los diversos resultados que he ido obteniendo en las

Conclusiones. Se describen las conclusiones obtenidas de este trabajo y de los

En este apartado se va a detallar cuál ha sido el objetivo principal que se ha ido

2.1. Objetivo Principal

2.2. Objetivos Adicionales

Introducción a tecnologı́as de Inteligencia Artificial, como Deep Learning, que

Introducción a la biblioteca de Keras, muy usada actualemente para el desarrollo

Aprender el funcionamiento general de una Red Neuronal

Estado del Arte

En este capı́tulo se entrará más en profundidad definiendo que es el Deep Learing,

A continuación, se irán definiendo cada una de estas tecnologı́as, centrándonos

3.1. Inteligencia Artificial

La Inteligencia Artificial nació en la década de 1950 cuando un conjunto de

Fue en el año 1956, cuando John McCarthy organiza la mı́tica conferencia de

Aún siendo este pionero de la Inteligencia Artificial, nunca pudo pasar el

Figura 3.2: Test de Turing, Omar Pereyra

Se cuenta con 5 minutos de conversación para convencer a la persona que evalúa el

Volviendo al origen de la Inteligencia Artificial, en un comienzo se pensó que la

Esta Inteligencia Artificial Simbólica tuvo momentos de altibajos. Se lograban

Esta tecnologı́a es una de la grandes causantes de esta nueva revolución industrial

Pero no todo es positivo en lo relativo a la inteligencia artificial. Se prevé que en

“Creo que la inteligencia artificial va a cambiar al mundo más que nada en la

irá jugando un papel cada vez más importante.

3.2. Machine Learning

Seguridad personal: podrı́a servir para aligerar los controles de seguridad en

Comercio financiero: muchas empresas del sector ya utilizan sus propios

Salud: se puede procesar más información y detectar más patrones sobre

Marketing personalizado: El marketing personalizado se basa en un sencillo

Coches inteligentes: Los vehı́culos podrı́an ajustar la configuración interna

3.3. Deep Learning

Se define como un algoritmo automático estructurado o jerárquico que emula el

El aprendizaje profundo ha tenido un gran uso en el área de los diagnósticos

En particular, el aprendizaje profundo ha logrado los siguientes avances, todos en

áreas históricamente difı́ciles del aprendizaje automático:

Clasificación de imágenes a nivel casi humano

Reconocimiento de voz a nivel casi humano