Una capa en un modelo de aprendizaje profundo es una estructura o topología de red en la arquitectura del modelo, que toma información de las capas anteriores y luego pasa información a la siguiente capa. Hay varias capas famosas en el aprendizaje profundo, a saber, la capa convolucional [1] y la capa de agrupación máxima [2] [3] en la red neuronal convolucional . Capa completamente conectada y capa ReLU en una red neuronal básica . Capa RNN en el modelo RNN [4] [5] [6] y capa deconvolucional en autoencoder, etc.
Diferencias con capas de la neocorteza.
Existe una diferencia intrínseca entre las capas de aprendizaje profundo y las capas neocorticales : las capas de aprendizaje profundo dependen de la topología de la red , mientras que las capas neocorticales dependen de la homogeneidad entre capas .
Capa densa
La capa densa , también llamada capa completamente conectada , se refiere a la capa cuyas neuronas internas se conectan a cada neurona en la capa anterior. [7] [8] [9] [10]
Ver también
Referencias
- ↑ Habibi, Aghdam, Hamed (30 de mayo de 2017). Guía de redes neuronales convolucionales: una aplicación práctica para la detección y clasificación de señales de tráfico . Heravi, Elnaz Jahani. Cham, Suiza. ISBN 9783319575490. OCLC 987790957 .
- ^ Yamaguchi, Kouichi; Sakamoto, Kenji; Akabane, Toshio; Fujimoto, Yoshiji (noviembre de 1990). Una red neuronal para el reconocimiento de palabras aisladas independientemente del hablante . Primera Conferencia Internacional sobre Procesamiento del Lenguaje Hablado (ICSLP 90). Kobe, Japón.
- ^ Ciresan, Dan; Meier, Ueli; Schmidhuber, Jürgen (junio de 2012). Redes neuronales profundas de varias columnas para clasificación de imágenes . 2012 Conferencia IEEE sobre visión artificial y reconocimiento de patrones . Nueva York, NY: Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). págs. 3642–3649. arXiv : 1202.2745 . CiteSeerX 10.1.1.300.3283 . doi : 10.1109 / CVPR.2012.6248110 . ISBN 978-1-4673-1226-4. OCLC 812295155 . S2CID 2161592 .
- ^ Dupond, Samuel (2019). "Una revisión exhaustiva sobre el avance actual de las estructuras de redes neuronales" . Revisiones anuales bajo control . 14 : 200–230.
- ^ Abiodun, Oludare Isaac; Jantan, Aman; Omolara, Abiodun Esther; Dada, Kemi Victoria; Mohamed, Nachaat Abdelatif; Arshad, Humaira (1 de noviembre de 2018). "Estado del arte en aplicaciones de redes neuronales artificiales: una encuesta" . Heliyon . 4 (11): e00938. doi : 10.1016 / j.heliyon.2018.e00938 . ISSN 2405-8440 . PMC 6260436 . PMID 30519653 .
- ^ Tealab, Ahmed (1 de diciembre de 2018). "Predicción de series de tiempo utilizando metodologías de redes neuronales artificiales: una revisión sistemática" . Revista de Computación e Informática del Futuro . 3 (2): 334–340. doi : 10.1016 / j.fcij.2018.10.003 . ISSN 2314-7288 .
- ^ "Redes neuronales convolucionales CS231n para reconocimiento visual" . CS231n Redes neuronales convolucionales para el reconocimiento visual . 10 de mayo de 2016 . Consultado el 27 de abril de 2021 .
Capa completamente conectada: las neuronas en una capa completamente conectada tienen conexiones completas con todas las activaciones en la capa anterior, como se ve en las redes neuronales normales.
- ^ "Red neuronal convolucional. En este artículo, veremos qué son ... - por Arc" . Medio . 26 de diciembre de 2018 . Consultado el 27 de abril de 2021 .
La capa completamente conectada es simplemente, alimentar redes neuronales.
- ^ "Capa totalmente conectada" . MATLAB . 1 de marzo de 2021 . Consultado el 27 de abril de 2021 .
Una capa completamente conectada multiplica la entrada por una matriz de peso y luego agrega un vector de polarización.
- ^ Géron, Aurélien (2019). Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow: conceptos, herramientas y técnicas para crear sistemas inteligentes . Sebastopol, CA: O'Reilly Media, Inc. p. 322 - 323. ISBN 978-1-4920-3264-9. OCLC 1124925244 .