Adquiriendo señal…
Adquiriendo señal…
Lección 7 de 10· Inteligencia artificial
0 de 10 lecciones · 0 %
Una red como la de la lección 5 podría, en teoría, recibir una imagen aplanando todos sus píxeles en un único vector. El problema es que eso destruye la estructura espacial: dos píxeles vecinos, que casi siempre están relacionados (forman parte del mismo borde o la misma textura), pasan a ser dos entradas cualquiera sin relación especial entre sí. Las redes neuronales convolucionales (CNN) están diseñadas específicamente para explotar esa estructura espacial.
La operación central de una CNN es la convolución: un pequeño filtro (o kernel, por ejemplo de 3×3 píxeles) con pesos aprendibles se desliza sobre toda la imagen, y en cada posición calcula un producto punto entre el filtro y el trozo de imagen que cubre. El resultado es un mapa de características (feature map): un valor alto donde el patrón que codifica el filtro aparece en la imagen, y un valor bajo donde no aparece. Un filtro puede aprender a detectar, por ejemplo, bordes verticales, bordes horizontales o manchas de un color concreto — y lo aprende solo, ajustando sus pesos con el mismo descenso de gradiente de siempre.
La clave es que el mismo filtro se reutiliza en toda la imagen: un detector de bordes verticales sirve igual de bien en la esquina superior izquierda que en el centro. Esto reduce drásticamente el número de parámetros comparado con una capa totalmente conectada, y hace que la red reconozca un patrón sin importar en qué parte de la imagen aparezca.
Tras una o varias convoluciones, es habitual aplicar pooling (agrupamiento): se divide el mapa de características en pequeñas regiones (por ejemplo 2×2) y se conserva un único valor por región — típicamente el máximo (max pooling). Esto reduce el tamaño espacial del mapa, hace la red más eficiente y más robusta a pequeños desplazamientos del objeto en la imagen (si el patrón se mueve un par de píxeles, el máximo de la región probablemente sigue siendo el mismo).
Al apilar varias capas de convolución + pooling, la red construye una jerarquía de características cada vez más abstracta: las primeras capas detectan patrones simples (bordes, esquinas, colores); las capas intermedias combinan esos patrones en formas y texturas (círculos, rejillas, ojos); y las capas más profundas combinan esas formas en conceptos de alto nivel (una cara, una rueda, un texto). Al final de la red, una o más capas totalmente conectadas (como las de la lección 5) toman ese resumen de características de alto nivel y lo combinan para producir la clasificación final.
Flujo típico de una CNN de clasificación de imágenes, de la entrada a la predicción:
Tres hiperparámetros fijan el tamaño del mapa de características: el tamaño del kernel (3, 5, 7...), el paso o stride (cuántos píxeles salta el filtro entre una posición y la siguiente) y el relleno o padding (cuántas filas y columnas de ceros se añaden alrededor de la imagen). Para una entrada de píxeles, la salida mide con
Por ejemplo, una imagen de un dígito de con un kernel de , sin relleno y con paso 1, produce un mapa de píxeles de lado, es decir, . Un max pooling de lo reduce a . Con , y la salida conserva el tamaño de la entrada, y por eso es la configuración más habitual.
Tomemos el kernel de Sobel para bordes verticales y un trozo de imagen de en el que la columna derecha es blanca (1) y el resto negro (0):
El valor del mapa en esa posición es la suma de los productos elemento a elemento: . Si el trozo fuera uniforme (todo 0 o todo 1), el resultado sería , porque los pesos del kernel suman cero: el filtro solo responde donde hay un cambio de intensidad de izquierda a derecha. Tras sumar un sesgo y aplicar ReLU, , la neurona se activa solo sobre los bordes verticales.
Ese kernel tiene 9 pesos y un sesgo: 10 parámetros que sirven para toda la imagen. Una capa densa que produjera las mismas salidas a partir de los píxeles necesitaría parámetros. En general, una capa convolucional con canales de entrada y filtros de tiene parámetros: por ejemplo, 16 filtros de sobre una imagen en color RGB () suman .
Comprueba en el laboratorio. En el escenario «Borde vertical sobre una T» haz clic en una celda del mapa de activación junto al palo de la T: la ventana resaltada del kernel se coloca sobre la imagen y la línea del cálculo muestra la suma de productos (4 en el flanco izquierdo). Cambia el kernel a «Sobel: borde horizontal» y verás que ahora se encienden los bordes del travesaño; después activa el relleno y el paso en los ajustes avanzados y comprueba con la lectura que el tamaño de salida coincide con la fórmula.
Repasa los términos clave:
Autocomprobación:
¿Cuál es el propósito principal de una capa de pooling en una CNN?
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Inteligencia Artificial».