Red Neuronal Convolucional (Clasificación)
- Propuesto por
- LeCun, Y. et al.
- Año
- 1998
- Tipo
- Deep neural network (convolutional)
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
Una Red Neuronal Convolucional (CNN) es un modelo de aprendizaje profundo, establecido por LeCun y colegas en 1998, que aprende patrones locales directamente de imágenes y datos estructurados para clasificarlos.
Las pilas de filtros convolucionales descubren características cada vez más abstractas, por lo que la ingeniería de características manual puede reducirse en gran medida.
La intuición detrás del método
En lugar de diseñar características a mano, una CNN desliza pequeños filtros aprendibles sobre la entrada para detectar patrones locales como bordes, texturas o motivos, independientemente de dónde aparezcan. Las capas tempranas captan señales simples; las capas más profundas las combinan en conceptos de nivel superior. Dado que el mismo filtro se reutiliza en toda la entrada, la red aprende de manera eficiente y reconoce un patrón dondequiera que ocurra.
Historia
Las redes neuronales convolucionales fueron reunidas en su forma moderna por Yann LeCun y colegas en su trabajo de 1998 sobre aprendizaje basado en gradientes aplicado al reconocimiento de documentos, donde la arquitectura LeNet leía dígitos manuscritos. La combinación de convolución, pooling y entrenamiento de gradientes de extremo a extremo se convirtió en la plantilla para la clasificación de imágenes y, con conjuntos de datos más grandes y hardware más rápido, impulsó la revolución del aprendizaje profundo en la visión por computadora.
Cuándo usarlo
Utilice una CNN para clasificar o predecir a partir de imágenes y datos estructurados tipo cuadrícula cuando tenga un gran conjunto de datos etiquetados —aproximadamente 1000 o más observaciones— y desee que el modelo aprenda características automáticamente en lugar de diseñarlas manualmente. No requiere datos normalmente distribuidos y maneja entradas continuas y categóricas. Por debajo de unas 500 observaciones, la red se sobreajusta y un Random Forest es más seguro; por debajo de unas 200, los filtros convolucionales no pueden aprender patrones significativos y se prefiere una SVM.
Limitaciones y consideraciones
- Necesita un gran conjunto de datos etiquetados (alrededor de 1000+ observaciones) para entrenar de manera confiable.
- En muestras pequeñas (n por debajo de 500) la red se sobreajusta y el rendimiento de la clasificación disminuye.
- Por debajo de aproximadamente 200 observaciones, los filtros convolucionales no pueden aprender patrones significativos en absoluto.
- Computacionalmente exigente de entrenar, y la representación aprendida es difícil de interpretar.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Aprende patrones locales automáticamente, reduciendo en gran medida la necesidad de ingeniería de características manual.
- El uso compartido de pesos reconoce un patrón dondequiera que aparezca y mantiene manejable el recuento de parámetros.
- Construye una jerarquía de características, desde bordes simples hasta conceptos abstractos, muy adecuada para imágenes.
- Pocas suposiciones: no requiere normalidad y acepta entradas continuas y categóricas.
- Precisión de vanguardia en tareas de clasificación de imágenes y estructuras de cuadrícula grandes y etiquetadas.
Aplicaciones
- Tareas de clasificación y reconocimiento de imágenes.
- Clasificación de datos estructurados tipo cuadrícula donde los patrones locales son importantes.
- Reconocimiento de documentos y caracteres manuscritos.
- Aprendizaje de características donde la ingeniería de características manual no es práctica.
Cómo funciona
Cómo funciona
Los filtros aprendibles (kernels) se convolucionan sobre la entrada, calculando sumas ponderadas locales para producir mapas de características. Cada filtro responde a un patrón local específico —un borde, una textura, un fragmento de forma— y dado que los mismos pesos se comparten en todas las posiciones, la red detecta ese patrón en cualquier lugar de la entrada manteniendo bajo el recuento de parámetros.
Fórmula
(I * K)(i,j) = \sum_{m}\sum_{n} I(i+m, j+n)\, K(m,n)Las capas de pooling (por ejemplo, max pooling) reducen la dimensionalidad de cada mapa de características, resumiendo los vecindarios en un solo valor. Esto reduce las dimensiones espaciales, hace que la representación sea más robusta a pequeños desplazamientos y distorsiones, y permite que las capas posteriores construyan características progresivamente más abstractas sobre un campo receptivo más amplio.
Los mapas de características de alto nivel se aplanan y se pasan a través de capas totalmente conectadas que terminan en una función softmax que produce probabilidades de clase. Toda la red —filtros y pesos juntos— se entrena de extremo a extremo mediante aprendizaje basado en gradientes, minimizando la pérdida de clasificación a través de la retropropagación.
Fórmula
\hat{y} = \operatorname{softmax}(W h + b)Errores comunes
- Entrenar con muy pocos datos y sobreajustar en lugar de recurrir a Random Forest o SVM.
- Omitir una división de validación o prueba separada y confiar en la precisión del entrenamiento.
- Ignorar el desequilibrio de clases en lugar de reponderar o remuestrear las clases.
- Informar solo la precisión sin precisión, recall, F1, o una matriz de confusión.
- Olvidar normalizar las entradas o no aplicar ninguna regularización contra el sobreajuste.
Preguntas frecuentes
¿Cuántos datos necesita una CNN?
Las CNN consumen muchos datos; un umbral aproximado es de alrededor de 1000 observaciones etiquetadas. Por debajo de unas 500 tienden a sobreajustarse, y por debajo de unas 200 los filtros no pueden aprender patrones significativos —en esos casos, Random Forest o SVM son opciones más seguras.
¿Por qué convolución en lugar de una red neuronal simple?
La convolución comparte el mismo filtro pequeño en todas las posiciones de la entrada, por lo que un patrón se detecta dondequiera que aparezca y el recuento de parámetros se mantiene bajo. Una red totalmente conectada necesitaría muchos más pesos y no explotaría la estructura espacial de los datos.
¿Qué hace el pooling?
El pooling reduce la dimensionalidad de los mapas de características resumiendo vecindarios locales, lo que reduce el tamaño espacial, añade robustez a pequeños desplazamientos y permite que las capas más profundas construyan características más abstractas sobre un campo receptivo más amplio.
¿Qué debo comprobar antes de confiar en una CNN?
Confirme que tiene un conjunto de datos etiquetado lo suficientemente grande, normalice las entradas, configure una división adecuada de entrenamiento/validación/prueba, aborde cualquier desequilibrio de clases y evalúe con precisión, recall, F1 y una matriz de confusión en lugar de solo la precisión.
Métodos relacionados
Fuentes
LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 2278–2324.
Abrir referencia DOICopiado.