Nombre: Leonardo David Mejía Gonzalez

NRC: 4741/5097

Fecha: 03/09/2021

Clasificación por el número de capas

Se puede dividir en dos principales tipos

 Redes neuronales monocapa: Son sencillas de realizar, la capa de entrada se

conecta a la capa de neuronas de salida que realizan determinados cálculos
 Redes neuronales multicapas: Entre las conexiones de entrada y salida, existen
diversas capas de neuronas que hacen de intermediarias, denominadas capas
ocultas. Estas capas de neuronas, pueden conectarse entre ellas o no.

Clasificación por los tipos de conexiones

Las conexiones también nos pueden ayudar a clasificar los tipos de redes neuronales o
elegir que tipo de red nos conviene desarrollar.

 Red neuronal no recurrente: Se descubrió en 1980, la información de las redes

neuronales trabaja en un solo sentido. No existe una realimentación y también
carecen de memoria
 Red neuronal recurrente: Las neuronas tienen la posibilidad de realizar conexiones
de realimentación, ya sea entre neuronas de una misma capa o de diferentes capas.
La realimentación permite que las redes neuronales, recurrentes tengan memoria.
Red neuronal artificial alexnet

AlexNet es similar a LeNet en estructura, pero usa mas capas convolucionales y un

espacio de parámetros mas grande para adapatarase al conjunto de datos a gran escala
ImageNet. Es la línea divisoria entre la red neuronal superficial y la red neuronal
profunda.

Primero, en contraste con el LeNet relativamente pequeño, AlexNet contiene 8 capas

de transformaciones, incluidas 5 capas de convolución y 2 capas de capas ocultas
completamente conectadas, y 1 capa de salida completamente conectada. La forma de
la ventana de convolución en la primera capa de AlexNet es 11x11. Debido a que la
altura y el ancho de la mayoría de las imágenes en ImageNet son más de 10 veces la
altura y el ancho de las imágenes MNIST, los objetos de las imágenes ImageNet
ocupan más píxeles, por lo que se necesita una ventana de convolución más grande
para capturar los objetos. La forma de la ventana de convolución en la segunda capa
se reduce a 5x5, y luego se utiliza 3x3. Además, la primera, segunda y quinta capas
convolucionales usan la capa de agrupación más grande con una forma de ventana de
3x3 y un paso de 2. Además, el número de canales de convolución utilizados por
AlexNet también es el doble del número de canales de convolución en LeNet.

¿Cómo es Relu mejor que Sigmoid?

La derivada de Sigmoid solo tiene una buena activación cuando está cerca de 0, y el
gradiente en la región de saturación positiva y negativa tiende a 0, lo que resulta en el
fenómeno de dispersión del gradiente, mientras que relu es mayor que 0 Parte del
gradiente es constante, por lo que no habrá dispersión de gradiente.
Playground de TensorFlow

TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje

automático. Cuenta con un ecosistema integral y flexible de herramientas, bibliotecas y
recursos de la comunidad que permite que los investigadores innoven con el aprendizaje
automático y los desarrolladores creen e implementen aplicaciones con tecnología de AA
fácilmente.

TensorFlow es una visualización de una red neural, está escrita en typescript usando d3.js,
contiene una pequeña librería que enlaza la demanda de esta visualización educacional.
Se puede simular en tiempo real una red neuronal y observar resultados.

TensorFlow Playground es un sitio web increíble en el que se puede visualizar y

comprender intuitivamente cómo funcionan las redes neuronales. Este sitio web,
desarrollado por el equipo de TensorFlow en Google, es una de las mejores plataformas
que le permitirá explorar las poderosas redes neuronales profundas.
Teachable machine

Es una herramienta de IA desarrollada por Google y basada en la web que hace que la
creación de modelos de aprendizaje automático sea rápida, fácil y accesible. Con esta
herramienta es posible preparar un ordenador para que reconozca imagenes, sonidos y
posturas.

Es una plataforma de inteligencia artificial que permite al usuario entrenar de manera

independiente a una red neuronal, mientras que el sistema puede reaccionar a imágenes
conocidas con sonidos o animaciones GIF.