T2_RedesNeuronalesConvolucionales_Eduardo_19131252

Vista previa del material en texto

Página 1 de 5 
 
 
INSTITUCIÓN: TECNOLÓGICO DE LA LAGUNA 
 
CARRERA: MECATRÓNICA 
 
MATERIA: INTELIGENCIA ARTIFICIAL 
 
DOCENTE: SERGIO LÓPEZ HERNÁNDEZ 
 
ALUMNO: RODRÍGUEZ GUERRA EDUARDO ANTONIO 
 
MATRICULA: 19131252 
 
TAREA 2: REDES NEURONALES CONVOLUCIONALES 
 
FECHA DE ENTREGA: 21 DE SEPTIEMBRE 2023 
 
 
 
 
 
Página 2 de 5 
 
 
En las primeras semanas del curso 
apreciamos algunos ejemplos de 
redes neuronales típicas por así 
decirlo, redes que constan de capas 
de entrada, capas ocultas y capas de 
salida. 
Ahora toco el tiempo de analizar redes 
neuronales convolucionales o en 
ingles convolutional neural networks. 
Pero…. ¿Qué es una convolución?, 
recordando algo de lo visto en 
dinámica de sistemas, la convolución 
es una operación matemática que 
consiste en combinar dos funciones 
para describir el sobre 
posicionamiento de estas. 
Básicamente desliza una función 
sobre la otra multiplicando los valores 
de ambas en cada instante, para 
después sumar dichos productos y asi 
obtener otra función, hay ciertas 
reglas la que mas recuerdo es que la 
convolución de f(x) y g(x), no es la 
misma que g(x) y f(x). 
Ahora bien, la convolución suele ser aplicada dentro del procesamiento de 
diferentes tipos de señales. 
En mi corta experiencia la he visto mayormente aplicada en el procesamiento de 
imágenes, aplicando diferentes filtros para obtener diferentes características de 
una misma imagen. 
 
 
 
 
Página 3 de 5 
 
 
 
 
Pero que tiene que ver con la inteligencia artificial, cual es el caso de volver a ver 
este concepto. 
Pues resulta y resalta que, así como existen las redes neuronales, existen las 
redes neuronales convolucionales. Este tipo de redes neuronales se suele 
emplear en el análisis de imágenes ya que estas redes son capaces de extraer 
características de las imágenes por si solas, ósea en el semestre pasado cuando 
usamos algo de procesamiento de imágenes en la clase de sensores inteligentes, 
los kernels que usábamos eran asignados por nosotros de acuerdo a las 
características que deseábamos obtener. Por eso al ver que hay forma de que 
una red neuronal haga este trabajo por si misma en verdad me llamo la atención. 
 
Y a gran escala y desde mi humilde y apenas iniciado conocimiento, puedo decir 
que la estructura de una red neuronal convolucional se puede resumir en la 
siguiente imagen: 
 
Página 4 de 5 
 
 
Tenemos una imagen a la entrada la cual se dividirá en sus tres capaz rgb, 
después cada una de esas capaz, se descompondrá en los bytes que la 
componen. 
Después pasara a la caja mágica de la convolución, realmente es ahí donde se 
hace gran parte del procesamiento, pues ahí aplicamos el filtro o el kernel, para 
asi obtener la característica convolucionada, entre mayor sea el número de 
características que deseemos obtener, mejor será el procesamiento de la 
información. 
La siguiente parte (agrupación), consiste en reducir el muestreo aplicando 
determinados kernels. Aunque se pierde mucha información en la capa de 
agrupación, también tiene una serie de beneficios para la red neuronal ya que 
ayuda a reducir la complejidad, mejorar la eficiencia y limitar el riesgo de 
sobreajuste. 
Algunas redes emplean varias capaz de convolución a fin de afinar las 
características de la imagen. Por ejemplo, en el video 
https://www.youtube.com/watch?v=4sWhhQwHqug. El programador diseña una 
red que en un principio presenta problemas ante diferentes formas de ingresar 
una misma entrada, aplica la convolución y resuelve parte de los problemas, 
entonces aplica otra capa de convolución y la red responde cada vez mejor. 
Ya por ultimo la capa de agrupación es la encargada de discriminar los datos, 
tomando como base las características adquiridas nos dice que onda. Es donde 
todo lo que se hizo se consagra para dar una respuesta certera, es o no es. 
Y todavía encontré que hay varios tipos de redes convolucionales. Pero ese ya es 
tema de otra tarea. 
 
 
 
 
https://www.youtube.com/watch?v=4sWhhQwHqug
 
Página 5 de 5 
 
 
Conclusión: las redes neuronales convolucionales son lo máximo, la verdad yo ya 
tuve la experiencia de verme algo atrapado en la limitante de no saber que filtros 
usar y cuantos para extraer lo que quería de una imagen. Pero tener a la mano 
algo que lo haga de mejor forma y automático suena utópico hasta cierto grado. 
Aun me quedan algunas dudas acerca de cómo aplicarlas, pero sé que se 
resolverán a medida que trabajemos este tema en clase. 
Y justo navegando estos días encontré al típico mensaje de autentificación: 
 
Que ahora que lo pienso bien debe funcionar bajo este mismo principio. Ya que 
se me hacía extraño que a veces era capaz de detectar objetos en una imagen 
muy borrosa. 
 
BIBLIOGRAFÍAS 
 
HTTPS://WWW.IBM.COM/MX-ES/TOPICS/CONVOLUTIONAL-NEURAL-
NETWORKS 
 
HTTPS://LA.MATHWORKS.COM/DISCOVERY/CONVOLUTION.HTML 
 
HTTPS://WWW.RESEARCHGATE.NET/FIGURE/FIGURA-1-DESCRIPCION-
DEL-FUNCIONAMIENTO-DE-UNA-RED-NEURONAL-CONVOLUCIONAL-CNN-
10_FIG1_348825166 
 
HTTPS://WWW.YOUTUBE.COM/WATCH?V=4SWHHQWHQUG. 
 
 
https://www.ibm.com/mx-es/topics/convolutional-neural-networks
https://www.ibm.com/mx-es/topics/convolutional-neural-networks
https://la.mathworks.com/discovery/convolution.html
https://www.researchgate.net/figure/Figura-1-Descripcion-del-funcionamiento-de-una-red-neuronal-convolucional-CNN-10_fig1_348825166
https://www.researchgate.net/figure/Figura-1-Descripcion-del-funcionamiento-de-una-red-neuronal-convolucional-CNN-10_fig1_348825166
https://www.researchgate.net/figure/Figura-1-Descripcion-del-funcionamiento-de-una-red-neuronal-convolucional-CNN-10_fig1_348825166
https://www.youtube.com/watch?v=4sWhhQwHqug