nota

# Notas de vitacora
 ha sido vital balancear el 1 , 0 
Al parecer binarizando mejora

Aumentar la penalizacion de 1 a *4 dejo todo en blanco


# Creo que puede ser la resolucion

# Cambiar cabeza para otra perdiada



-- Colocar cosas de keras para detener entrenamiento



-- Quitar espacios en negro de datos

-- El cambio de softmax resulto ser bastante bueno

-- Generar reporte final con
loss train, loss val, loss test. Max val loss
imagen de prueba

Generar una lista de modelos anternativos

-- Expandir la vision (cambiara la loss)
-- Ponderar la loss
-- Aumentar capas
-- Aumentar dimensiones



-- Aplicar focal loss


-- Detener al final de entrenamiento

Revisar perdida por termino y activaciones para elementos en train, val , test


-- Influencia de la barra de boss es mala



Algo raro esta pasando 
'./clf_images/data/images/1569689579_93958518.png'

x.eval_with_img(cv2.imread('./clf_images/data/images/1569689579_93958518.png'))

entrega resultados distintos a 

lt,acts,ts,img_ex=x.sess.run([x.loss,x.pred,x.targets,x.input_layer],fs)
plt.imshow(acts[0,:,:,0]);plt.show()


# El asunto era que en el pred de visualizacion tenia mal formateado el proceso de imagenes.
Las imagenes las pasaba a la red como uint8 lo cual producia malos resultados


al cambiar eso muetra resultados bastante buenso al final del entrenameinto.



# Queda generar flujo de evaluacion
- Crear generador de parametros: cada uno con nombre especifico
Anotar metricas:
	- tiempo de ejecucion (importante para tiempo real)
	- recall, precision global.
	- fotos de eval_with_img en carptea de resultado

En carpeta de modelo 

Luego tomar los mejores y dejar final


mse no sirve mucho
learning rate de 0.01 parece mejor