Red neuronal
Modelo matemático inspirado en los circuitos neuronales biológicos, compuesto por capas de entrada, ocultas y de salida, que sirve como base para tareas avanzadas de procesamiento de imágenes.
Una red neuronal es un modelo computacional inspirado en las neuronas biológicas. Cada neurona artificial calcula una suma ponderada de entradas, aplica una función de activación y pasa el resultado hacia adelante. Las redes que apilan estas unidades en múltiples capas se usan en tareas como la clasificación de imágenes, la detección de objetos y la generación de imágenes.
Componentes principales:
- Capa de entrada: Recibe datos sin procesar. Para imágenes RGB, la entrada es un tensor de ancho × alto × 3
- Capas ocultas: Aplican transformaciones no lineales. Las redes con muchas capas ocultas se llaman redes profundas (aprendizaje profundo)
- Capa de salida: Produce resultados específicos de la tarea - probabilidades de clase para clasificación, valores continuos para regresión
- Funciones de activación: ReLU, Sigmoid, Tanh introducen no linealidad para fronteras de decisión complejas
El entrenamiento usa retropropagación, propagando gradientes de pérdida desde la salida hasta la entrada para actualizar pesos. Los optimizadores incluyen SGD, Adam y AdaGrad.
model = Sequential([Dense(128, activation='relu'), Dense(10, activation='softmax')])- Ejemplo en Kerasloss = nn.CrossEntropyLoss()- Pérdida de clasificación en PyTorch
En procesamiento de imágenes, las CNN usan capas convolucionales para tratar la estructura espacial. También se han propuesto arquitecturas como las GAN, los Vision Transformers y los modelos de difusión.