🧠 Convolutional Neural Network

ReLU aplica f(x)=max(0,x), fijando en cero todo valor negativo. Esto introduce no linealidad, lo que permite a la red representar fronteras de decisión complejas y curvas en lugar de solo combinaciones lineales de píxeles. Sin una activación no lineal, apilar muchas capas colapsaría en una única transformación lineal.

La capa de max-pooling de 2×2 toma el valor más grande en cada ventana de 2×2 sin solapamiento, reduciendo a la mitad el ancho y el alto. Esto conserva las activaciones más fuertes, reduce el cómputo y da a la red cierto grado de invariancia a la traslación, de modo que una característica se reconoce incluso si se desplaza uno o dos píxeles.

Son núcleos fijos, elegidos a mano, usados para hacer visibles las matemáticas. En una CNN entrenada, los pesos del núcleo se aprenden automáticamente mediante retropropagación y descenso de gradiente, de modo que la red descubre los filtros que mejor minimizan su pérdida en los datos de entrenamiento en lugar de depender de núcleos clásicos de bordes o desenfoque.

El pooling combina cuatro valores vecinos en uno, de modo que un mapa de 8×8 se convierte en uno de 4×4. Reducir las dimensiones espaciales mientras aumenta el número de canales de características es el patrón central de las CNN: las capas más profundas ven una rejilla más pequeña y más gruesa, pero representan conceptos más ricos y de mayor nivel, como esquinas y curvas.

Scan X y Scan Y muestran la columna y fila actuales del núcleo mientras recorre la entrada durante la animación de Conv1. Kernel Weights es 9, los nueve números del único núcleo de 3×3 que usa esta demostración (se reutiliza en Conv1 y Conv2, sin sesgos y sin entrenamiento), y Feature Maps es 1, porque un núcleo produce exactamente un mapa por capa. Una CNN de producción usaría un banco de muchos núcleos por capa y por tanto produciría muchos mapas.

Las operaciones son fieles: convolución genuina, ReLU, max-pooling y una segunda convolución en el orden correcto. Está simplificada para mayor claridad, usando una única imagen pequeña, núcleos fijados a mano, valores de visualización normalizados y sin entrenamiento real, por lo que enseña la mecánica en lugar de reproducir la escala de una red de producción.

Las CNN sustentan la mayor parte de la visión por computadora moderna. Clasifican objetos en fotos, leen dígitos escritos a mano, detectan tumores en escáneres médicos, reconocen rostros, potencian los filtros de realidad aumentada y alimentan los sistemas de percepción de los vehículos autónomos. Los mismos bloques de convolución, activación y pooling mostrados aquí escalan hasta estas aplicaciones.