Comparativa entre una red neuronal «tradicional» y una red neuronal convolucional
En este cuadro se resumen las diferencias entre las redes Fully connected y las redes Convolutional Neural Networks.
CARACTERISTISTICAS |
Red «tradicional» Feedforward multicapa | Red Neuronal Convolucional CNN |
Datos de entrada en la Capa Inicial | Las características que analizamos. Por ejemplo: ancho, alto, grosor, etc. | Pixeles de una imagen. Si es color, serán 3 capas para rojo,verde,azul |
Capas ocultas | elegimos una cantidad de neuronas para las capas ocultas. | Tenemos de tipo: * Convolución (con un tamaño de kernel y una cantidad de filtros) * Subsampling |
Capa de Salida | La cantidad de neuronas que queremos clasificar. Para «comprar» ó «alquilar» serán 2 neuronas. | Debemos «aplanar» la última convolución con una (ó más) capas de neuronas ocultas «tradicionales» y hacer una salida mediante SoftMax a la capa de salida que clasifica «perro» y «gato» serán 2 neuronas. |
Aprendizaje | Supervisado | Supervisado |
Interconexiones | Entre capas, todas las neuronas de una capa con la siguiente. | Son muchas menos conexiones necesarias, pues realmente los pesos que ajustamos serán los de los filtros/kernels que usamos. |
Significado de la cantidad de capas ocultas | Realmente es algo desconocido y no representa algo en sí mismo. | Las capas ocultas son mapas de detección de características de la imagen y tienen jerarquía: primeras capas detectan lineas, luego curvas y formas cada vez más elaboradas. |
Backpropagation | Se utiliza para ajustar los pesos de todas las interconexiones de las capas | Se utiliza para ajustar los pesos de los kernels. |