Descarga la aplicación para disfrutar aún más
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
Compartir