{"id":26405,"date":"2022-09-25T13:03:58","date_gmt":"2022-09-25T11:03:58","guid":{"rendered":"https:\/\/mangosta.org\/?p=26405"},"modified":"2022-09-30T19:12:41","modified_gmt":"2022-09-30T17:12:41","slug":"redes-neuronales-recurrentes","status":"publish","type":"post","link":"https:\/\/mangosta.org\/mangosta-blog\/redes-neuronales-recurrentes\/","title":{"rendered":"Redes neuronales recurrentes"},"content":{"rendered":"\n

Una red neuronal recurrente no tiene una estructura de capas definida, sino que sus conexiones entre las neuronas son arbitrarias. Incluye conexiones que apuntan \u201chacia atr\u00e1s\u201d, de manera que se retroalimentan entre las neuronas dentro de las capas. En cada timestep<\/em> o instante de tiempo, esta neurona recurrente recibe la entrada de la capa anterior, as\u00ed como su propia salida del instante de tiempo anterior para generar su salida.<\/p>\n\n\n\n

El nombre de estas redes se atribuye por un conjunto de algoritmos que \u201crealizan un intercambio de informaci\u00f3n entre neuronas de una manera m\u00e1s compleja y por sus caracter\u00edsticas pueden propagar la informaci\u00f3n hacia adelante en el tiempo, lo cual equivale a predecir eventos\u201d. Tienen una enorme potencia para todo lo relacionado con el an\u00e1lisis secuencial, como el an\u00e1lisis de textos, sonidos y v\u00eddeos.<\/p>\n\n\n\n

\"\"
Redes neuronales recurrentes<\/figcaption><\/figure>\n\n\n\n

La propagaci\u00f3n hacia atr\u00e1s de errores o retropropagaci\u00f3n (backpropagation<\/em>) es un m\u00e9todo de c\u00e1lculo del gradiente utilizado en algoritmos de aprendizaje supervisado para entrenar redes neuronales artificiales. El m\u00e9todo emplea un ciclo propagaci\u00f3n – adaptaci\u00f3n de dos fases. Una vez que se ha aplicado un patr\u00f3n a la entrada de la red como est\u00edmulo, se propaga desde la primera capa a trav\u00e9s de las capas siguientes de la red hasta generar una salida. La se\u00f1al de salida se compara con la salida deseada y se calcula una se\u00f1al de error para cada una de las salidas.<\/p>\n\n\n\n

Existen diferentes tipos de redes neuronales dependiendo del n\u00famero de capas ocultas y la forma de realizar la retroalimentaci\u00f3n. Las m\u00e1s utilizadas son las redes de gran memoria de corto plazo (LSTM).<\/p>\n\n\n\n

Redes de memoria a corto plazo (LSTM)<\/strong><\/p>\n\n\n\n

Las redes LSTM o Long Short Term Memory<\/em> son redes neuronales recurrentes convencionales que ampl\u00edan su memoria para aprender de experiencias importantes que han pasado hace mucho tiempo. Incorporan una serie de pasos para decidir qu\u00e9 informaci\u00f3n va a ser almacenada y eliminada. Gracias a esto se solventan los problemas de las redes recurrentes convencionales, pues tienden a crecer enormemente o a desvanecerse con el tiempo. Esta informaci\u00f3n se almacena o no en funci\u00f3n de su importancia. La asignaci\u00f3n de importancia se decide a trav\u00e9s de los pesos, que tambi\u00e9n se aprenden mediante el algoritmo. En una neurona LSTM hay tres \u201cpuertas de informaci\u00f3n\u201d: input gate<\/em>, forget gate<\/em> y output gate<\/em>. Estas puertas determinar\u00e1n si se permite o no una nueva entrada, se elimina la informaci\u00f3n porque no es importante o se deja que afecte a la salida en el paso de tiempo actual<\/p>\n\n\n\n

\"\"
Red LSTM<\/figcaption><\/figure>\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