Ejecución:
Para el uso de la interfaz que clasifica numeros basta con ejecutar el archivo main, donde la variable mode, define cual modelo se va a utilizar para las predicciones, 1 para Deep Learning y 0 para SVM.
Para visualizar gráficas se pueden llamara a las funciones:
plot_deep_learning: recibe una lista con los parámetros que se desean variar y graficar.
Por ejemplo: plot_deep_learning(["epochs", "layers", "neurons", "training_set"])
plot_svm: recibe una lista con los parámetros que se desean variar y graficar.
plot_svm(['kernel', 'C', 'gamma'])
Para realizar la búsqueda con todos los parámetros, basta con llamar a las funciones:
best_dl_model(True)
best_svm_model(True)
Sin el parámetro True se cargará el mejor modelo que se encuentra previamente almacenado
Si solo se quiere utilizar un modelo con los parámetros se debe instanciar las clases:
SVM() o DeepLearning() Las cuales reciben en su constructor los datos de prueba y entrenamiento admeás de la configuración de parametros deseados, si no se proveen serán tomados los parámetros por defecto.
Para la creación de datos se utiliza el objeto create_data() de la siguiente forma:
x_train, y_train, x_val, y_val, x_test, y_test = create_data()
Para acelerar por CUDA puede intentar descomentando las siguientes líneas en el archivo deep_learning.py
physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)