{"id":26374,"date":"2022-09-22T21:17:22","date_gmt":"2022-09-22T19:17:22","guid":{"rendered":"https:\/\/mangosta.org\/?p=26374"},"modified":"2022-09-30T19:10:04","modified_gmt":"2022-09-30T17:10:04","slug":"redes-neuronales","status":"publish","type":"post","link":"https:\/\/mangosta.org\/mangosta-blog\/redes-neuronales\/","title":{"rendered":"Redes Neuronales convolucionales"},"content":{"rendered":"\n

<\/p>\n\n\n\n

Las redes neuronales convolucionales son un tipo de RNA con aprendizaje supervisado que procesa sus capas imitando el c\u00f3rtex cerebral humano para identificar las distintas caracter\u00edsticas en las entradas que hacen que pueda identificar objetos. Para ello, las CNN contienen varias capas ocultas con una jerarqu\u00eda, esto es, analizan la oraci\u00f3n de izquierda a derecha o de derecha a izquierda. Las primeras capas pueden detectar l\u00edneas, curvas y se especializan hasta llegar a capas m\u00e1s profundas que reconocen formas complejas como una cara o un animal.<\/p>\n\n\n\n

\"\"
Estructura de las redes neuronales convolucionales<\/figcaption><\/figure>\n\n\n\n

Una red CNN recibe un input<\/em> y nos devuelve tantos outputs<\/em> como hayamos definido. En el caso anterior, en el que se utiliza una red convolucional para clasificar im\u00e1genes, encontramos como input<\/em> la imagen que pretendemos clasificar.<\/p>\n\n\n\n

Filtros y capas intermedias – redes neuronales convolucionales (CNN)<\/h4>\n\n\n\n

Capa convoluci\u00f3n<\/h4>\n\n\n\n

Las capas de convoluci\u00f3n consisten en tomar grupos de p\u00edxeles cercanos<\/strong> de la imagen de entrada e ir operando matem\u00e1ticamente (producto escalar) contra una peque\u00f1a matriz llamada n\u00facleo o kernel. El n\u00facleo, que tiene un tama\u00f1o definido, por ejemplo de 3\u00d73 p\u00edxeles, recorre todas las neuronas de entrada (de izquierda a derecha y de arriba a abajo) y genera una nueva matriz de salida.<\/p>\n\n\n\n

Subsampling<\/h4>\n\n\n\n

Es un proceso a trav\u00e9s del cual tratamos de reducir el n\u00famero de neuronas de la pr\u00f3xima capa pero sin perder las caracter\u00edsticas m\u00e1s importantes que detect\u00f3 cada filtro.<\/strong><\/p>\n\n\n\n

Capa maxPooling<\/h4>\n\n\n\n

Las capas de maxPooling son un proceso de subsampling en el que reducimos la dimensionalidad, recorriendo la imagen. Por ejemplo, en una matriz de 10×10 y una capa de maxPooling de 2×2, recorremos la matriz de izquierda a derecha y de arriba a abajo y la salida de esta capa ser\u00e1 un \u00fanico valor por cada 4 p\u00edxeles. Ese valor ser\u00e1 el m\u00e1ximo correspondiente a cada iteraci\u00f3n.<\/p>\n\n\n\n

\"\"
Capa maxPooling<\/figcaption><\/figure>\n\n\n\n

Capa softmax<\/h4>\n\n\n\n

Softmax convierte un vector de valores en una distribuci\u00f3n de probabilidad. Los elementos del vector de salida est\u00e1n en el rango (0, 1) y suman 1. Cada vector se maneja de forma independiente. El argumento del eje establece a lo largo de qu\u00e9 eje de la entrada se aplica la funci\u00f3n. Esta funci\u00f3n se usa a menudo como la activaci\u00f3n de la \u00faltima capa de una red de clasificaci\u00f3n, ya que el resultado podr\u00eda interpretarse como una distribuci\u00f3n de probabilidad.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Visita este enlace para conocer m\u00e1s informaci\u00f3n sobre IA.<\/p>\n\n\n\n

https:\/\/www.itvia.online\/pub\/la-importancia-de-la-entonacion-y-el-contexto-en-los-traductores-pln-basados-en-inteligencia-artificial\/release\/1<\/a><\/p>\n\n\n\n

Tambi\u00e9n puedes ver nuestra entrada sobre redes neuronales recurrentes aqu\u00ed<\/p>\n\n\n\n