Proyecto de título
Exportación y validación de redes neuronales entre MATLAB y Python
Desarrollo de un mecanismo para transferir modelos de redes neuronales feedforward entrenados en MATLAB hacia Python, preservando su arquitectura, parámetros y capacidad predictiva.
Resumen
El proyecto aborda el problema de interoperabilidad entre MATLAB y Python para modelos de redes neuronales feedforward. Aunque ambas plataformas permiten implementar modelos de aprendizaje automático, sus estructuras internas y formatos de almacenamiento son diferentes.
Se desarrolló un procedimiento de exportación capaz de recuperar la arquitectura de la red, los pesos, los sesgos y los parámetros de normalización utilizados durante el entrenamiento.
Problema
Incompatibilidad entre plataformas
Un modelo entrenado en MATLAB no puede utilizarse directamente en Python debido a diferencias en la representación de capas, funciones de activación, normalización, pesos y sesgos.
Solución
Mecanismo de exportación reproducible
Se implementó un formato intermedio para almacenar los parámetros del modelo y reconstruir la red en Python, reproduciendo el flujo de procesamiento realizado en MATLAB.
Metodología
Etapas principales del proyecto
01
Entrenamiento
Entrenamiento de una red neuronal feedforward en MATLAB utilizando el conjunto de datos Iris.
02
Extracción
Obtención de la arquitectura, pesos, sesgos, funciones de activación y parámetros de normalización.
03
Reconstrucción
Implementación equivalente de la red neuronal en Python utilizando los parámetros exportados.
04
Validación
Comparación de predicciones, métricas y errores numéricos entre ambas implementaciones.
Resultados
Equivalencia entre MATLAB y Python
La validación permitió comprobar que la red reconstruida en Python conserva el comportamiento predictivo del modelo original, manteniendo resultados consistentes entre ambas plataformas.
4-10-20-5-3
Arquitectura final
Iris
Conjunto de datos
MATLAB ↔ Python
Plataformas validadas
Recursos
Código, documentación y resultados
Próximamente esta sección incluirá el repositorio de GitHub, el informe completo y una demostración del mecanismo desarrollado.