https://keras.io/applications/#densenet

• **Crear una carpeta de resultados
• Crear una clase Experimento. La subclasifican por cada experimento que hacen.
• Cada experimento tiene un id. Los Ids son únicos. Cuando se ejecuta un experimento, se crea su directorio en base a su ID, dentro de la carpeta de resultados.
• Cada experimento puede ser una combinación de modelo y de base de datos. Hacer clases abstractas para no repetir código
• Cuando termina un experimento, guarda sus resultados en su subdirectorio. Guardar los gráficos de loss accuracy, un txt con los parámetros, y el resultado final.**
• Tener un script que "corra" una lista de objetos experimento.

Dense Net:
https://www.youtube.com/watch?v=-W6y8xnd--U
https://towardsdatascience.com/densenet-2810936aeebb
Efficient net: https://heartbeat.fritz.ai/reviewing-efficientnet-increasing-the-accuracy-and-robustness-of-cnns-6aaf411fc81d

1. Hacer un índice de las secciones y que van a poner en c/u
2. Mostrar a Facu para continuar

Por ejemplo, applications.mobilenet.preprocess_input para mobilenet

• Casi terminado
• Agregar como documentación al README
• Permitir acceso desde la API; usar el csv o los datos codificados en PYTHON

1. Hacer un índice de las secciones y que van a poner en c/u
2. Mostrar a Facu para continuar

Dado un dataset, entrenar un GAN para generar formas de mano, y luego utilizar los pesos del detector para hacer transfer learning. Utilizar un solo dataset para preentrenar.

1. Agregar MobileNet como discriminador
2. Agregar MobileNet como generador
3. Guardar el discriminador y cargarlo en los objetos Experiment
4. Probar que funcione en algún dataset el transfer learning desde GAN
5. Mejorar el algoritmo de entrenamiento de GAN (esperar a Facu)

1. Comparar entrenando desde 0 y entrenando con transfer learning

2. Dado un dataset, entrenar un GAN para generar formas de mano, y luego utilizar los pesos del detector para hacer transfer learning. Utilizar un solo dataset para preentrenar.

3. Hacer una tabla binaria de tamaño datasets vs handshapes, donde 1/True indica que el dataset tiene muestras de ese handshape y 0 que no lo tiene. Utilizar el diccionario de handshapes de ASL.

Final

3. Hacer lo mismo, pero entrenar un GAN con TODOS los datasets y luego utilizar el detector para transfer learning

   1. Para cada par de datasets que tengan clases en común, entrenar un modelo (a) con un dataset y luego probar ambos o (b) con los dos datasets y luego probar ambos.
   2. Entrenar un modelo para que clasifique todos los datos, y luego probarlo como clasificador de todos los datasets

Si son más de n (n=30?) no mostrar el texto sobre la imagen
bajar el tamaño de letra de los ejes

Sacarles el borde, por ejemplo, sacarle 200 pixeles arriba y 170 pixeles a cada lado.