David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Alexnet Como tal la Alexnet fue de las primeras redes convolucionales más destacables. SU arquitectura es la más simple y se basa en capas Convolucionales+Max Pooling para extraer características seguido de capas Clásicas o Fully connected para clasificación o regresión. A día de hoy no es una red competitiva, pero representa la base de las primeras CNN.
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: VGG Tras la Alexnet se vió la necesidad de mejorar la potencia y capacidad de representación de las CNN, los laboratorios de Stanford acuñaron la arquitectura VGG, que supero con creces a Alexnet y fue la primera en introducir la novedad de los bancos de filtros de convolución, la cual aumento la capacidad de representación de estas redes notablemente. Por contra se observó que esta arquitectura era muy pesada en procesado y número de parámetros y que sufría el llamado desvanecimiento de gradiente si se añadían muchas capas.
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Resnet Para abordar los problemas de procesado excesivo y desvanecimiento de gradiente de la VGG. Una de las alternativas para superar dicho problema fue la Resnet. La gran lacra de estas redes es la pérdida de información a causa del sucesivo filtrado y procesado de información , que sumado al desvanecimiento de gradiente dificulta mucho su entrenamiento. Pues bien la Resnet propuso una alternativa para evitar eso con bloques residuales, para poder preservar el gradiente y la información de entrada añadieron recirculaciones de información como las de las imágenes inferiores, de tal manera que los problemas encontrados en la VGG no volvieran a darse. Otra gran contribución fue el empleo de las capas de normalización de Batch que resultaron en una red que se podía entrenar con mucha mayor velocidad con respecto a sus rivales
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Inception V3 Para abordar los problemas de procesado excesivo y desvanecimiento de gradiente de la VGG. Una de las alternativas para superar dicho problema fue la Inception V3, al contrario que la Resnet, trató de aumentar más el procesado por etapa en lugar de la profundidad de las redes dado que una mayor profundidad de red implica mayor dificultad para actualizar el gradiente a través de toda la red. Por lo tanto en lugar de aumentar mucho la profundidad de la red, la Inception V3 propuso aumentarla a lo “ancho”, es decir introducir un filtrado multiescala en paralelo, filtros de 3x3,5x5, 1x1 y poolings y la concatenación de los mismos a la salida, enriqueciendo notablemente la información de la red. El problema es que al contrario que la Resnet continuó teniendo ciertos problemas de desvanecimiento de gradiente que solventaron con clasificadores auxiliares.
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Xception A medida que pasó el tiempo nació una nueva alternativa a la Inception V3 de manos de Francois Chollet y Google que postularon que una alternativa mucho más rápida y ligera con respecto a las convoluciones convencionales, fue lo que llamaron convoluciones separables (Depthwise Separable Convolution). Este tipo de convolución es computacionalmente más eficiente y constituida en la arquitectura Xception demostró tener resultados incluso ligeramente superiores al Inception V3 convencional, además de un entrenamiento más rápido.
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Inception-Resnet->Inception V4 Una vez la Resnet y la Inception V3 fueron presentadas y construidas, se determinó que podrían complementarse entre sí, dado que la Resnet tenía esa solución más efectiva ante los desvanecimientos de gradiente, mientras la Inception V3 tenía esa información mucho más rica en características gracias a las capas multiescala. Esto llevó a la construcción de la Inception-Resnet o Inception V4 que trató de combinar las características de sus dos predecesoras en bloques combinados como los de la figura siguiente. Por contra esta red seguía siendo computacionalmente muy costosa al igual que sus predecesoras
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Comparación Por último vamos a ver un pequeño Benchmark de estas arquitecturas y muchas otras que muestra resultados prácticos de clasificación de cada una de las arquitecturas sobre la base de datos Imagenet. Estos resultados enfrentarán el número de operaciones de cada arquitectura con sus resultados de clasificación en Top-1, que indica si la clase más probable coincidía con la clase objetivo. Podemos ver claramente que la peor de las arquitecturas estudiadas es la más clásica o Alexnet, a esta se siguen la VGG-16 y 19 que muestran claramente estar acotadas aproximadamente a un 72%.
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Arquitecturas más Conocidas: Comparación Mientras tanto la Resnet Dependiendo del numero de capas introducidas(18,34,50,101,152) oscila entre un 69-76%. La Inception V3 por su lado se sitúa aproximadamente en un 76% también mientras que la Xception la supera ligeramente y la Inception-V4 o Inception-Resnet corona con un 81%
David Fuentes Jiménez Deep Learning con Keras/Tensorflow en Python
Excel para principiantes: Aprenda a utilizar Excel 2016, incluyendo una introducción a fórmulas, funciones, gráficos, cuadros, macros, modelado, informes, estadísticas, Excel Power Query y más
La psicología del trading de una forma sencilla: Cómo aplicar las estrategias psicológicas y las actitudes de los comerciantes ganadores para operar con éxito en línea.
Ciberseguridad: Una Simple Guía para Principiantes sobre Ciberseguridad, Redes Informáticas y Cómo Protegerse del Hacking en Forma de Phishing, Malware, Ransomware e Ingeniería Social
ChatGPT Ganar Dinero Desde Casa Nunca fue tan Fácil Las 7 mejores fuentes de ingresos pasivos con Inteligencia Artificial (IA): libros, redes sociales, marketing digital, programación...