Professional Documents
Culture Documents
FECHA DE ENTREGA
: 17 de Julio de 2015
SEMESTRE ACADMICO
: 2015 I
ESTUDIANTE
FACULTAD
ESCUELA PROFESIONAL
: INGENIERA DE SISTEMAS
PROFESOR
Redes
neuronales
convolucionales se introdujeron
en un artculo de 1980 por
Kunihiko Fukushima. En 1988 se
desarrollaron por separado, con
el
paralelo
explcito
circunvoluciones
entrenables
Homma,
Les
Atlas,
y Robert
J.
Marks
II.
Su
diseo
fue
Capa de Convolucin
Capa de Pooling
b) Desarrollo de la temtica
Los diferentes tipos de capas:
- Capa Convolucional
A diferencia de una convolucin codificado a mano kernel (Sobel,
Prewitt, Roberts), en una red neural convolucional, los parmetros de
cada ncleo de convolucin son entrenados por el algoritmo de
backpropagation. Hay muchos ncleos de convolucin en cada capa,
y cada ncleo se replica en toda la imagen con los mismos
parmetros. La funcin de los operadores de convolucin es extraer
diferentes caractersticas de la entrada. La capacidad de una red
neuronal vara, dependiendo del nmero de capas. Las primeras
capas de convolucin obtendrn las caractersticas de bajo nivel,
como bordes, lneas y curvas. Cuantas ms capas de la red tiene, las
caractersticas de alto nivel que van a recibir.
-
Capa de Relu
Relu es la abreviatura de Unidades Rectificado lineales . Esta es una
capa de neuronas que utilizan la no saturacin funcin de activacin
f ( x )=max ( 0, x) .
Aumenta las propiedades no lineales de la funcin de decisin y de la
red global sin afectar los campos receptivos de la capa de
convolucin.
la
saturacin
f ( x )=tanh ( x ) , f ( x )= tanh ( x ) .
de tangente
Y
la funcin
hiperblica
sigmoide
f ( x )=(1+ ex )1 .
En comparacin con las unidades de TANH, la ventaja de RELU es que
la red neuronal se entrena varias veces ms rpido.
Capa de Pooling
A fin de reducir la varianza, capas de fondo comn calculan la max o
el valor promedio de una caracterstica particular sobre una regin de
la imagen. Esto asegurar que se obtenga el mismo resultado,
incluso cuando las caractersticas de imagen tienen pequeas
traducciones. Esta es una operacin importante para la clasificacin
de objetos y deteccin.
Mtodo de Insercin
Desde una capa totalmente conectada ocupa la mayor parte de los
parmetros, que es propenso a overfitting . El mtodo de desercin
se introduce para evitar sobreajuste. En cada etapa de formacin, los
nodos individuales estn bien "abandonaron" de la red con una
probabilidad 1-p o mantenidos con probabilidad p, por lo que una red
reducida es izquierda; Tambin se eliminan los bordes entrantes y
salientes a un nodo cado-out. Slo la red reducida est entrenado en
los datos en esa etapa. Los nodos eliminados son luego reinsertados
en la red con sus pesos originales.
En las etapas de formacin, la probabilidad de un nodo oculto ser
retenido (es decir, no se redujo) es generalmente 0,5; para la entrada
de nodos de la probabilidad de retencin debe ser mucho mayor,
intuitivamente, porque la informacin se pierde directamente cuando
se ignoran nodos de entrada.
tambin
mejora
significativamente
la
velocidad
de
Capa Prdida
Se puede utilizar diferentes funciones de prdida para diferentes
tareas. Prdida Softmax se utiliza para predecir una sola clase de K
clases
mutuamente
excluyentes. Sigmoide
prdida
de
entropa
Anlisis de Videos
El video es ms compleja que las imgenes ya que tiene otra
dimensin temporal. La forma comn es fusionar las caractersticas
de
diferentes
redes
neuronales
convolucionales,
que
son
Jugar Go
Redes neuronales convolucionales se han utilizado en ordenador Go.
En diciembre de 2014, Christopher Clark y Amos Storkey publicaron
un artculo que muestra una red de convolucin entrenado por
Una
de
las
principales
aplicaciones
del
algoritmo
CNN
es
el
b) Qu ventajas se lograra?
Las ventajas de utilizar esta tecnologa:
productos.
Mejor presentacin del producto al cliente.
Incrementara la competitividad
Mayor satisfaccin del cliente al momento de usar la aplicacin.
c) Qu desventajas se tiene?
Las desventajas de utilizar esta tecnologa:
d) Qu herramientas tecnolgicas se necesitan implementar?
CONCLUSIONES Y RECOMENDACIONES
CONCLUSIONES:
-
clasificacin de imgenes.
La aplicacin del algoritmo CNN en un problema de clasificacin simple
permiti
observar
cmo
es
su
funcionamiento
verificar
su
alta
RECOMENDACIONES:
-
BIBLIOGRAFA
-
Ueli
Meier; Jonathan
Masci; Luca
M.
Gambardella; Jurgen
Schmidhuber
Deng, Jia, et al. "Imagenet: Una base de datos jerrquica imagen a gran
escala" Visin por Computador y Reconocimiento de Patrones, 2009. CVPR
2009. Conferencia IEEE sobre. IEEE 2009.
10
Homma, Toshiteru; Les Atlas; Robert Marcas II (1988). "Una red neuronal
artificial para el espacio-temporal bipolares patrones: Aplicacin a la
clasificacin de fonemas. Los avances en Neural Information Processing
Systems, 31-40.
Conclusiones y recomendaciones
Bibliografa.
11