RESUMEN:

Las redes neuronales convolucionales están diseñadas para trabajar con

imágenes. La red se toma como entrada de pixeles, se puede tener imágenes de
color u a escala de grises, también se usan base de datos para el desarrollo de
redes neuronales e inteligencia artificial.

ABSTRACT:
Convolutional neural networks are designed to work with images. The network is
taken as pixel input, you can have color or grayscale images, databases are also
used for the development of neural networks and artificial intelligence.

PALABRAS CLAVES:
Neuronas, convolucionales, redes, inteligencia artificial, imágenes, pooling, input.

¿QUE SON LAS REDES NEURONALES CONVOLUCIONALES?

INTRODUCCIÓN:
Las redes neuronales convolucionales es un algoritmo de Deep Learning que está
diseñado para trabajar con imágenes, tomando estas como input, asignándole
importancias (pesos) a ciertos elementos en la imagen para así poder diferenciar
unos de otros. Este es uno de los principales algoritmos que ha contribuido en el
desarrollo y perfeccionamiento del campo de Visión por computadora.
Las redes convolucionales contienen varias hidden layers, donde las primeras
puedan detectar líneas, curvas y así se van especializando hasta poder reconocer
formas complejas como un rostro, siluetas, etc. Las tareas comunes de este tipo
de redes son:
Detección o categorización de objetos, clasificación de escenas y clasificación de
imágenes en general.

EJEMPLO:
La red toma como entrada los pixeles de una imagen. Si tenemos una imagen con
apenas 28×28 pixeles de alto y ancho, eso equivale a 784 neuronas. Y eso es si
sólo tenemos 1 color (escala de grises). Si tuviéramos una imagen a color,
necesitaríamos 3 canales (red, green, blue) y entonces usamos 28x28x3 = 2352
neuronas de entrada. Esa es nuestra capa de entrada, Pero antes es necesario
normalizar la “data”, es decir que nuestros pixeles que ahora tienen valores entre 0
y 255, tengan valores entre 0 y 1, podemos lograrlo dividiendo cada uno de los
pixeles al valor más alto que estos tienen es decir 255.

KERNEL:
El kernel en las redes convolucionales se considera como el filtro que se aplica a
una imagen para extraer ciertas características importantes o patrones de esta.

CONVOLUCIÓN:
Uno de los procesos más distintivos de estas redes son las convoluciones. El cual
consiste en tomar un grupo de píxeles de la imagen de entrada e ir realizando un
producto escalar con un kernel. El kernel recorrerá todas las neuronas de entrada y
obtendremos una nueva matriz, la cual será una de las hidden layers. En el caso
de que la imagen sea de color se tendrán 3 kernels del mismo tamaño que se
sumarán para obtener una imagen de salida.

PADDING:
Es una operación que se usa en las redes convolucionales. El padding se aplica
agregando píxeles de valor cero alrededor de la imagen original.
  Tiene dos usos:
El primero es para que al realizar la convolución la imagen resultante sea de
igual tamaño que la imagen original.

 El segundo es cuando se tiene información relevante en las esquinas de la

imagen por lo que al realizar convolución el filtro pasa más por el centro de
la imagen que en las esquinas, por lo que se aplica el padding para tener la
información más relevante cerca del centro.

TRANSFERENCIA DE APRENDIZAJE:
La transferencia de aprendizaje es una técnica que permite a un algoritmo de
machine learning mejorar sus capacidades de aprendizaje en un dataset,
exponiendolo previamente a uno totalmente diferente. Es decir se hace uso de una
red pre entrenada, así no necesitaremos hacer uso de una gran cantidad de datos
ni nos tomará tanto tiempo el entrenar nuestra red.
Si el conjunto de datos original con el que se entrenó la red neuronal pre entrenada
es suficientemente grande y general, entonces los features aprendidos permiten al
modelo pre entrenado actuar como un modelo genérico del mundo visual y, así,
lograr encontrar características que definan ciertos objetos dentro de las imágenes
lo que lo hace ser aplicable fuera de otros campos a más del que fue pre
entrenado.
Específicamente, en el caso de la visión por computador, muchos modelos
previamente entrenados (muchos entrenados en el conjunto de datos ImageNet)
ahora están disponibles públicamente para su descarga y se pueden usar para
crear potentes modelos de visión con muy pocos datos.

OBJETIVO GENERAL:
 Dar a conocer los diferentes aspectos de las redes neuronales
convencionales y machine learning aplicado a las imagines.

OBJETIVOS ESPECÍFICOS:

 Elaboración de redes neuronales sencillas.

 Implementaciones de redes neuronales con diferentes capas
alternado la convolución y el pooling.
 Uso de base de datos para el desarrollo de las redes neuronales.