Inception V1 (o GoogLeNet) fue la arquitectura de vanguardia en ILSRVRC 2014. Ha producido el error más bajo récord en el conjunto de datos de clasificación de ImageNet, pero hay algunos puntos en los que se pueden mejorar para mejorar la precisión y disminuir la complejidad. del modelo Problemas de la arquitectura de Inception V1: Inception … Continue reading «Inception V2 y V3: versiones de red de Inception»
El concepto de redes neuronales está inspirado en las neuronas del cerebro humano y los científicos querían una máquina para replicar el mismo proceso. Esto ansiaba un camino hacia uno de los temas más importantes de la Inteligencia Artificial. Una red neuronal (NN) se basa en una colección de unidades o Nodes conectados llamados neuronas … Continue reading «Abandono en Redes Neuronales»
Codificadores automáticos variacionales El codificador automático variacional fue propuesto en 2013 por Knigma y Welling en Google y Qualcomm. Un autocodificador variacional (VAE) proporciona una forma probabilística de describir una observación en el espacio latente. Por lo tanto, en lugar de construir un codificador que genere un solo valor para describir cada atributo de estado … Continue reading «Papel de la divergencia KL en los codificadores automáticos variacionales»
La Red Neural Artificial (ANN) es un modelo computacional basado en las redes neuronales biológicas de cerebros animales. ANN se modela con tres tipos de capas: una capa de entrada, capas ocultas (una o más) y una capa de salida. Cada capa comprende Nodes (como neuronas biológicas) que se denominan Neuronas Artificiales. Todos los Nodes … Continue reading «Implementación de Red Neuronal Artificial para Puerta Lógica XOR con Entrada Binaria de 2 bits»
En el campo del Aprendizaje Automático, el Perceptrón es un Algoritmo de Aprendizaje Supervisado para clasificadores binarios. El modelo Perceptron implementa la siguiente función: Para una elección particular del vector de peso y el parámetro de sesgo , el modelo predice la salida para el vector de entrada correspondiente . Tabla de verdad de la … Continue reading «Implementación del Algoritmo de Perceptrón para la Puerta Lógica XNOR con Entrada Binaria de 2 bits»
OpenPose es el primer sistema multipersona en tiempo real que detecta conjuntamente los puntos clave del cuerpo humano, la mano, la cara y el pie (en total 135 puntos clave) en imágenes individuales. Fue propuesto por investigadores de la Universidad Carnegie Mellon. Han lanzado en forma de código Python, implementación de C++ y complemento de … Continue reading «OpenPose: método de estimación de pose humana»
La Red Neural Artificial (ANN) es un modelo computacional basado en las redes neuronales biológicas de cerebros animales. ANN se modela con tres tipos de capas: una capa de entrada, capas ocultas (una o más) y una capa de salida. Cada capa comprende Nodes (como neuronas biológicas) que se denominan Neuronas Artificiales. Todos los Nodes … Continue reading «Implementación de Red Neuronal Artificial para Puerta Lógica NAND con Entrada Binaria de 2 bits»
El diseño básico de la red neuronal, es decir, una capa de entrada, pocas capas densas y una capa de salida, no funciona bien para el sistema de reconocimiento de imágenes porque los objetos pueden aparecer en muchos lugares diferentes en una imagen. Entonces, la solución es agregar una o más capas convolucionales. Red neuronal … Continue reading «Bloque convolucional para reconocimiento de imágenes»
Después de la primera arquitectura basada en CNN (AlexNet) que ganó la competencia ImageNet 2012, cada arquitectura ganadora posterior utiliza más capas en una red neuronal profunda para reducir la tasa de error. Esto funciona para una menor cantidad de capas, pero cuando aumentamos la cantidad de capas, hay un problema común en el aprendizaje … Continue reading «Redes residuales (ResNet) – Aprendizaje profundo»
Este artículo tiene como objetivo implementar una red neuronal profunda desde cero. Implementaremos una red neuronal profunda que contiene una capa oculta con cuatro unidades y una capa de salida. La implementación irá desde cero y se implementarán los siguientes pasos. Algoritmo: 1. Visualizing the input data 2. Deciding the shapes of Weight and bias … Continue reading «Red neuronal profunda con propagación hacia adelante y hacia atrás desde cero – Python»