Loading

Alison's New App is now available on iOS and Android! Download Now

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Red neuronal convolucional
Una red neuronal convolucional es un algoritmo de aprendizaje profundo que puede tomar una imagen de entrada, asignar importancia a varios objetos en la imagen y ser capaz de diferenciar uno del otro.
La arquitectura de una Red Neural Convolucional es análoga a la del patrón de conectividad de las neuronas en el cerebro humano y fue inspirada por la organización del Cortex Visual.
Retropropagación en red neuronal convolucional
El algoritmo de retropropagación es un método de aprendizaje supervisado para redes de transmisión de datos multicapa desde el campo de las Redes Neurales artificiales.
El algoritmo de retropropagación busca el valor mínimo de la función de error en el espacio de peso utilizando una técnica llamada la regla Delta o el descenso Gradient. Los pesos que minimizan la función de error se consideran entonces una solución al problema de aprendizaje.
La Red Neuronal Convolucional está compuesta de múltiples bloques de construcción, tales como capas de convolución, capas de agrupación, y capas totalmente conectadas, y está diseñado para aprender de manera automática y adaptable las jerarquías espaciales de las características a través de un Algoritmo de Propagación.
Arquitecturas comunes en redes neuronales convolucionales Todas las arquitecturas de CNN siguen los mismos principios de diseño general de aplicar sucesivamente las capas convolucionales a la entrada, de forma periódica downsamples las dimensiones espaciales al tiempo que aumentan el número de mapas de características.
Mientras que las arquitecturas de red clásicas se componían de capas convolucionales apiladas, las arquitecturas modernas exploran nuevas e innovadoras formas de construir capas convolucionales de una manera que permite un aprendizaje más eficiente.
Las arquitecturas de red clásicas incluyen LeNet-5, AlexNet y VGG 16, mientras que las arquitecturas de red modernas comprenden ResNet, DenseNet, MobileNet y EfficientNets. Fine-Tuning en CNN Fine-Tuning en CNN implica descongelar algunas de las capas superiores de una base de modelo congelada y entrenar conjuntamente tanto las capas de clasificador recién añadidas como las últimas capas del modelo base. Esto permite que las representaciones de funciones de orden superior en el modelo base para que sean más relevantes para la tarea específica.