{"id":54780,"date":"2020-01-04T00:00:00","date_gmt":"2020-01-03T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/nejroseti-kuda-eto-vse-dvizhetsya"},"modified":"2020-02-18T14:02:50","modified_gmt":"2020-02-18T11:02:50","slug":"nejroseti-kuda-eto-vse-dvizhetsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","title":{"rendered":"Redes neuronales. Hacia d\u00f3nde se dirige todo esto","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>El art\u00edculo se compone de dos partes:<\/p>\n<p><\/p>\n<ol>\n<li>Una breve descripci\u00f3n de algunas arquitecturas de redes para la detecci\u00f3n de objetos en im\u00e1genes y segmentaci\u00f3n de im\u00e1genes con los enlaces m\u00e1s comprensibles para m\u00ed. Intent\u00e9 seleccionar videos explicativos, preferentemente en espa\u00f1ol.<\/li>\n<li>La segunda parte consiste en un intento de comprender la direcci\u00f3n del desarrollo de arquitecturas de redes neuronales. Y las tecnolog\u00edas basadas en ellas.<\/li>\n<\/ol>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Redes neuronales. Hacia d\u00f3nde se dirige todo esto\" src=\"\/wp-content\/uploads\/2020\/01\/3e0238547dc956dbb069c11241e4534f.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 1 \u2013 Comprender las arquitecturas de redes neuronales no es f\u00e1cil<\/p>\n<p><\/p>\n<p>Todo comenz\u00f3 cuando hice dos aplicaciones de demostraci\u00f3n para clasificaci\u00f3n y detecci\u00f3n de objetos en un tel\u00e9fono Android:<\/p>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/junkyard\/tree\/master\/object_classifier\">Demo de backend<\/a><\/noindex>, donde los datos se procesan en el servidor y se env\u00edan al tel\u00e9fono. Clasificaci\u00f3n de im\u00e1genes de tres tipos de osos: pardo, negro y de peluche.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/android\/tree\/master\/object_detection_demo\">Demo de frontend<\/a><\/noindex>, donde los datos se procesan en el mismo tel\u00e9fono. Detecci\u00f3n de objetos de tres tipos: avellana, higo y d\u00e1til.<\/li>\n<\/ul>\n<p><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Hay una diferencia entre las tareas de clasificaci\u00f3n de im\u00e1genes, detecci\u00f3n de objetos en im\u00e1genes y <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/analytics-vidhya\/image-classification-vs-object-detection-vs-image-segmentation-f36db85fe81\">segmentaci\u00f3n de im\u00e1genes<\/a><\/noindex>. Por lo tanto, surgi\u00f3 la necesidad de conocer qu\u00e9 arquitecturas de redes neuronales detectan objetos en im\u00e1genes y cu\u00e1les pueden segmentar. Encontr\u00e9 los siguientes ejemplos de arquitecturas con los enlaces m\u00e1s comprensibles para m\u00ed:<\/p>\n<p><\/p>\n<ul>\n<li>Una serie de arquitecturas basadas en R-CNN (<strong>R<\/strong>regiones con <strong>C<\/strong>convoluci\u00f3n <strong>N<\/strong>redes <strong>N<\/strong>neuronales caracter\u00edsticas): R-CNN, Fast R-CNN, <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@smallfishbigsea\/faster-r-cnn-explained-864d4fb7e3f8\">Faster R-CNN<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/0vt05rQqk_I\">Mask R-CNN<\/a><\/noindex>. Para la detecci\u00f3n de objetos en una imagen, se destacan regiones limitadas (bounding boxes) mediante el mecanismo de Red de Propuestas de Regiones (RPN). Inicialmente, se utiliz\u00f3 un mecanismo m\u00e1s lento, Busqueda Selectiva, en lugar de RPN. Luego, las regiones limitadas destacadas se ingresan a una red neuronal normal para clasificaci\u00f3n. En la arquitectura R-CNN hay bucles evidentes \"for\" que iteran sobre las regiones limitadas, con hasta 2000 pasadas a trav\u00e9s de la red interna AlexNet. Debido a estos ciclos evidentes \"for\", la velocidad de procesamiento de im\u00e1genes se ralentiza. El n\u00famero de ciclos evidentes, las pasadas por la red neuronal interna, se reduce con cada nueva versi\u00f3n de la arquitectura, y se realizan decenas de otros cambios para aumentar la velocidad y para reemplazar la tarea de detecci\u00f3n de objetos por segmentaci\u00f3n de objetos en Mask R-CNN.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/L0tzmv--CGY\">YOLO<\/a><\/noindex> (<strong>Y<\/strong>solo <strong>D<\/strong>mira <strong>L<\/strong>a <strong>D<\/strong>nce) - la primera red neuronal que reconoc\u00eda objetos en tiempo real en dispositivos m\u00f3viles. Una caracter\u00edstica distintiva: la diferenciaci\u00f3n de objetos en una sola pasada (basta con ver una vez). Es decir, en la arquitectura YOLO no hay ciclos \u2018for\u2019 expl\u00edcitos, lo que permite que la red funcione r\u00e1pidamente. Por ejemplo, una analog\u00eda: en NumPy, durante las operaciones con matrices, tampoco hay ciclos \u2018for\u2019 expl\u00edcitos, que en NumPy se implementan en niveles m\u00e1s bajos a trav\u00e9s del lenguaje de programaci\u00f3n C. YOLO utiliza una cuadr\u00edcula de ventanas predefinidas. Para evitar que un mismo objeto se identifique m\u00faltiples veces, se usa el coeficiente de solapamiento de ventanas (IoU, <strong>I<\/strong>ntersecci\u00f3n <strong>o<\/strong>ver <strong>U<\/strong>ni\u00f3n). Esta arquitectura opera en un amplio rango y posee alta <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C\">robustez<\/a><\/noindex>: el modelo se puede entrenar con fotograf\u00edas, pero tambi\u00e9n puede funcionar bien con pinturas dibujadas.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/P8e-G-Mhx4k\">SSD<\/a><\/noindex> (<strong>S<\/strong>ingle <strong>S<\/strong>hot MultiBox <strong>ataques<\/strong>etector) - se utilizan los hacks m\u00e1s efectivos de la arquitectura YOLO (por ejemplo, non-maximum suppression) y se a\u00f1aden nuevos, para que la red neuronal funcione m\u00e1s r\u00e1pido y con m\u00e1s precisi\u00f3n. Una caracter\u00edstica distintiva: la diferenciaci\u00f3n de objetos en una sola pasada usando una cuadr\u00edcula de ventanas (default box) en una pir\u00e1mide de im\u00e1genes. La pir\u00e1mide de im\u00e1genes est\u00e1 codificada en tensores convolucionales a trav\u00e9s de operaciones de convoluci\u00f3n y pooling secuenciales (durante la operaci\u00f3n max-pooling, la dimensi\u00f3n espacial disminuye). De este modo, se determinan tanto objetos grandes como peque\u00f1os en una sola pasada de la red.<\/li>\n<li>MobileSSD (<strong>M\u00f3vil<\/strong>NetV2 + <strong>SSD<\/strong>) - una combinaci\u00f3n de dos arquitecturas de redes neuronales. La primera red <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/352804\/\">MobileNetV2<\/a><\/noindex> funciona r\u00e1pidamente y aumenta la precisi\u00f3n del reconocimiento. MobileNetV2 se utiliza en lugar de VGG-16, que se usaba originalmente en <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1512.02325\">el art\u00edculo original<\/a><\/noindex>. La segunda red SSD define la ubicaci\u00f3n de los objetos en la imagen.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/ge_RT5wvHvY\">SqueezeNet<\/a><\/noindex> es una red neuronal muy peque\u00f1a, pero precisa. Por s\u00ed sola, no resuelve la tarea de detecci\u00f3n de objetos. Sin embargo, puede aplicarse en combinaci\u00f3n con diferentes arquitecturas. Y utilizarse en dispositivos m\u00f3viles. Una caracter\u00edstica distintiva es que primero los datos se comprimen a cuatro filtros convolucionales 1\u00d71, y luego se expanden a cuatro filtros 1\u00d71 y cuatro filtros 3\u00d73. Una iteraci\u00f3n de compresi\u00f3n-expansi\u00f3n de datos se llama 'Fire Module'.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/b6jhopSMit8\">DeepLab<\/a><\/noindex> (Segmentaci\u00f3n Sem\u00e1ntica de Im\u00e1genes con Redes Neurales Convolucionales Profundas) \u2013 segmentaci\u00f3n de objetos en una imagen. La caracter\u00edstica distintiva de la arquitectura es la convoluci\u00f3n dilatada, que conserva la resoluci\u00f3n espacial. Luego sigue una etapa de postprocesamiento de los resultados utilizando un modelo probabil\u00edstico gr\u00e1fico, lo que permite eliminar peque\u00f1os ruidos en la segmentaci\u00f3n y mejorar la calidad de la imagen segmentada. Detr\u00e1s del aterrador nombre \u00abmodelo probabil\u00edstico gr\u00e1fico\u00bb se oculta simplemente un filtro Gaussiano que est\u00e1 aproximado a cinco puntos.<\/li>\n<li>Intent\u00e9 entender el funcionamiento <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1711.06897\">RefineDet<\/a><\/noindex> (Single-Shot <strong>Refine<\/strong>ment Neural Network for Object <strong>Det<\/strong>ecci\u00f3n), pero no entend\u00ed mucho.<\/li>\n<li>Tambi\u00e9n observ\u00e9 c\u00f3mo funciona la tecnolog\u00eda de atenci\u00f3n: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/W2rWgXJBZhU\">video1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/iDulhoQ2pro\">video2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/H6Qiegq_36c\">video3<\/a><\/noindex>. La caracter\u00edstica distintiva de la arquitectura de atenci\u00f3n es la identificaci\u00f3n autom\u00e1tica de regiones de mayor inter\u00e9s en la imagen (RoI, <strong>R<\/strong>egiones <strong>o<\/strong>f <strong>I<\/strong>nter\u00e9s) mediante una red neuronal llamada Unidad de Atenci\u00f3n. Las regiones de mayor atenci\u00f3n son similares a las regiones delimitadas (bounding boxes), pero a diferencia de ellas, no est\u00e1n fijas en la imagen y pueden tener bordes difusos. Luego, se extraen caracter\u00edsticas de las regiones de mayor atenci\u00f3n que son 'alimentadas' a redes neuronales recurrentes con arquitecturas <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/5lUUrREboSk\">LSDM, GRU o Vanilla RNN<\/a><\/noindex>. Las redes neuronales recurrentes pueden analizar la relaci\u00f3n entre caracter\u00edsticas en una secuencia. Originalmente, las redes neuronales recurrentes se utilizaban para traducir texto a otros idiomas, y ahora tambi\u00e9n para la traducci\u00f3n <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">de im\u00e1genes a texto<\/a><\/noindex> y <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">de texto a imagen<\/a><\/noindex>.<\/li>\n<\/ul>\n<p><\/p>\n<p>Al estudiar estas arquitecturas <strong>me di cuenta de que no entend\u00eda nada<\/strong>. Y no se debe a que mi red neuronal tenga problemas con el mecanismo de atenci\u00f3n. La creaci\u00f3n de todas estas arquitecturas se asemeja a un enorme hackathon, donde los autores compiten en hacks. Hack (hack) es una soluci\u00f3n r\u00e1pida a un problema de programaci\u00f3n dif\u00edcil. Es decir, entre todas estas arquitecturas no hay una conexi\u00f3n l\u00f3gica clara y visible. Todo lo que las une es un conjunto de hacks m\u00e1s exitosos que se copian entre s\u00ed, m\u00e1s la operaci\u00f3n de convoluci\u00f3n con retroalimentaci\u00f3n <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/Ilg3gGewQ5U\">(retropropagaci\u00f3n del error, backpropagation). No hay<\/a><\/noindex> pensamiento sist\u00e9mico <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/272473\/\">! No est\u00e1 claro qu\u00e9 cambiar y c\u00f3mo optimizar los logros existentes.<\/a><\/noindex>\u00a1No est\u00e1 claro qu\u00e9 cambiar y c\u00f3mo optimizar los logros actuales!<\/p>\n<p><\/p>\n<p>Como resultado de la falta de conexi\u00f3n l\u00f3gica entre los hacks, son extremadamente dif\u00edciles de recordar y aplicar en la pr\u00e1ctica. Son conocimientos fragmentados. En el mejor de los casos, se recuerdan algunos momentos interesantes e inesperados, pero la mayor parte de lo comprendido y no comprendido desaparece de la memoria en pocos d\u00edas. Ser\u00e1 bueno si, despu\u00e9s de una semana, al menos se recuerda el nombre de la arquitectura. \u00a1Y eso que se han pasado varias horas e incluso d\u00edas de trabajo leyendo art\u00edculos y viendo videos de revisi\u00f3n!<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Redes neuronales. Hacia d\u00f3nde se dirige todo esto\" src=\"\/wp-content\/uploads\/2020\/01\/86f0f24e3be1d0f1a210f3132897d981.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 2 \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.asimovinstitute.org\/neural-network-zoo\/\">Zool\u00f3gico de redes neuronales<\/a><\/noindex><\/p>\n<p><\/p>\n<p>La mayor\u00eda de los autores de art\u00edculos cient\u00edficos, en mi opini\u00f3n personal, hacen todo lo posible para que incluso estos conocimientos fragmentados no sean comprendidos por los lectores. Pero las construcciones de gerundio en oraciones de diez l\u00edneas con f\u00f3rmulas tomadas 'del aire' son un tema para un art\u00edculo aparte (problema <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Publish_or_perish\">publish or perish<\/a><\/noindex>).<\/p>\n<p><\/p>\n<p>Por esta raz\u00f3n, surgi\u00f3 la necesidad de sistematizar la informaci\u00f3n sobre redes neuronales y, de este modo, aumentar la calidad de comprensi\u00f3n y retenci\u00f3n. As\u00ed, el tema principal del an\u00e1lisis de tecnolog\u00edas y arquitecturas de redes neuronales artificiales se convirti\u00f3 en la siguiente tarea: <strong>descubrir hacia d\u00f3nde se dirige todo esto<\/strong>, y no el funcionamiento de alguna red neuronal en particular.<\/p>\n<p><\/p>\n<p>Hacia d\u00f3nde se dirige todo esto. Resultados principales:<\/p>\n<p><\/p>\n<ul>\n<li>El n\u00famero de startups en el campo del aprendizaje autom\u00e1tico en los \u00faltimos dos a\u00f1os <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">ha ca\u00eddo dr\u00e1sticamente<\/a><\/noindex>. Posible raz\u00f3n: 'las redes neuronales han dejado de ser algo nuevo'.<\/li>\n<li>Cualquiera podr\u00e1 crear una red neuronal funcional para resolver una tarea sencilla. Para ello, tomar\u00e1 un modelo listo del 'zool\u00f3gico de modelos' (model zoo) y entrenar\u00e1 la \u00faltima capa de la red neuronal (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/yofjFQddwHE\">transfer learning<\/a><\/noindex>) con datos disponibles de <noindex><a rel=\"nofollow\" href=\"https:\/\/toolbox.google.com\/datasetsearch\">Google Dataset Search<\/a><\/noindex> o desde <noindex><a rel=\"nofollow\" href=\"https:\/\/www.kaggle.com\/datasets\">25,000 conjuntos de datos de Kaggle<\/a><\/noindex> en la nube gratuita de <noindex><a rel=\"nofollow\" href=\"https:\/\/www.dataschool.io\/cloud-services-for-jupyter-notebook\/\">Jupyter Notebook<\/a><\/noindex>.<\/li>\n<li>Los grandes productores de redes neuronales han comenzado a crear <strong>'zool\u00f3gicos de modelos'<\/strong> (model zoo). Con ellos se puede crear r\u00e1pidamente una aplicaci\u00f3n comercial: <noindex><a rel=\"nofollow\" href=\"https:\/\/tfhub.dev\/\">TF Hub<\/a><\/noindex> para TensorFlow, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">MMDetection<\/a><\/noindex> para PyTorch, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/facebookresearch\/Detectron\">Detectron<\/a><\/noindex> para Caffe2, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/wkentaro\/chainer-modelzoo\">chainer-modelzoo<\/a><\/noindex> para Chainer y <noindex><a rel=\"nofollow\" href=\"https:\/\/modelzoo.co\/\">otros<\/a><\/noindex>.<\/li>\n<li>Redes neuronales operando en <strong>tiempo real<\/strong> (real-time) en dispositivos m\u00f3viles. De 10 a 50 fotogramas por segundo.<\/li>\n<li>La aplicaci\u00f3n de redes neuronales en tel\u00e9fonos (TF Lite), navegadores (TF.js) y en <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/19ZNz2N79u4\">art\u00edculos de uso cotidiano<\/a><\/noindex> (IoT, <strong>I<\/strong>internet <strong>o<\/strong>f <strong>T<\/strong>de las cosas). Especialmente en tel\u00e9fonos que ya soportan redes neuronales a nivel de 'hardware' (neuroaceleradores).<\/li>\n<li>\u00abCada dispositivo, prenda de vestir y, posiblemente, incluso la comida tendr\u00e1n <strong>una direcci\u00f3n IP-v6<\/strong> y se comunicar\u00e1n entre s\u00ed\u00bb \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/GG7H8Xa4m8I?t=85\">Sebasti\u00e1n Thrun<\/a><\/noindex>.<\/li>\n<li>El aumento en el n\u00famero de publicaciones sobre aprendizaje autom\u00e1tico ha comenzado <noindex><a rel=\"nofollow\" href=\"http:\/\/data-mining.philippe-fournier-viger.com\/too-many-machine-learning-papers\">a superar la Ley de Moore<\/a><\/noindex> (duplicarse cada dos a\u00f1os) desde 2015. Es evidente que necesitamos redes neuronales para analizar art\u00edculos.<\/li>\n<li>Las siguientes tecnolog\u00edas est\u00e1n ganando popularidad:\n<ul>\n<li><strong>PyTorch<\/strong> \u2013 la popularidad est\u00e1 creciendo r\u00e1pidamente y, al parecer, est\u00e1 superando a TensorFlow.<\/li>\n<li>Selecci\u00f3n autom\u00e1tica de hiperpar\u00e1metros <strong>AutoML<\/strong> \u2013 la popularidad est\u00e1 creciendo suavemente.<\/li>\n<li>Disminuci\u00f3n gradual de la precisi\u00f3n y aumento de la velocidad de c\u00e1lculos: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rln_kZbYaWc\">l\u00f3gica difusa<\/a><\/noindex>, algoritmos <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/MIPkK5ZAsms\">de boosting<\/a><\/noindex>, c\u00e1lculos inexactos (aproximados), cuantizaci\u00f3n (cuando los pesos de la red neuronal se convierten en n\u00fameros enteros y se cuantifican), neuroaceleradores.<\/li>\n<li>Traducci\u00f3n <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">de im\u00e1genes a texto<\/a><\/noindex> y <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">de texto a imagen<\/a><\/noindex>.<\/li>\n<li>Creaci\u00f3n <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/OrHLacCDZVQ\">objetos tridimensionales a partir de videos<\/a><\/noindex>, ahora en tiempo real.<\/li>\n<li>Lo principal en DL es la gran cantidad de datos, pero recopilarlos y etiquetarlos no es f\u00e1cil. Por eso se desarrolla la automatizaci\u00f3n de la etiquetaci\u00f3n (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/NcKTn4C91Yc\">automated annotation<\/a><\/noindex>) para redes neuronales usando redes neuronales.<\/li>\n<\/ul>\n<\/li>\n<li>Con las redes neuronales, la inform\u00e1tica se ha convertido de repente en <strong>una ciencia experimental<\/strong> y ha surgido <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/480348\">una crisis de reproducibilidad.<\/a><\/noindex>.<\/li>\n<li>El dinero en TI y la popularidad de las redes neuronales han surgido al mismo tiempo, cuando el c\u00e1lculo se ha convertido en un valor de mercado. La econom\u00eda de los activos se est\u00e1 transformando de <strong>econom\u00eda de activos a econom\u00eda computacional.<\/strong>. Vea mi art\u00edculo sobre <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D1%84%D0%B8%D0%B7%D0%B8%D0%BA%D0%B0\">econof\u00edsica<\/a><\/noindex> y la raz\u00f3n del surgimiento del dinero en TI.<\/li>\n<\/ul>\n<p><\/p>\n<p>Gradualmente aparece una nueva <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/481844\">metodolog\u00eda de programaci\u00f3n ML\/DL<\/a><\/noindex> (Machine Learning &amp; Deep Learning), que se basa en la representaci\u00f3n del programa como un conjunto de modelos de redes neuronales entrenados.<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Redes neuronales. Hacia d\u00f3nde se dirige todo esto\" src=\"\/wp-content\/uploads\/2020\/01\/17df76a613191522145abeba177c2685.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 3 \u2013 ML\/DL como nueva metodolog\u00eda de programaci\u00f3n<\/p>\n<p><\/p>\n<p>Sin embargo, a\u00fan no ha surgido <strong>una \u00abteor\u00eda de las redes neuronales\u00bb<\/strong>, en el marco de la cual se puede pensar y trabajar de manera sistem\u00e1tica. Lo que ahora se llama \u00abteor\u00eda\u00bb son en realidad algoritmos experimentales y heur\u00edsticos.<\/p>\n<p><\/p>\n<p>Enlaces a mis recursos y otros:<\/p>\n<p><\/p>\n<ul>\n<li>Bolet\u00edn de noticias sobre Data Science. Principalmente sobre procesamiento de im\u00e1genes. Quien desee recibirlo, que env\u00ede un correo electr\u00f3nico (foobar167&lt;guau-guau&gt;gmail&lt;punto&gt;com). Env\u00edo enlaces a art\u00edculos y videos a medida que acumulo material.<\/li>\n<li>Lista general <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Machine_Learning\/courses_on_machine_learning.md\">de cursos y art\u00edculos<\/a><\/noindex>, que he tomado y que me gustar\u00eda tomar.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#exercises\">Cursos y videos para principiantes<\/a><\/noindex>, con los que se deber\u00eda empezar a estudiar redes neuronales. Adem\u00e1s, un folleto <noindex><a rel=\"nofollow\" href=\"https:\/\/foobar167.github.io\/page\/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html\">\u00abIntroducci\u00f3n al aprendizaje autom\u00e1tico y redes neuronales artificiales\u00bb<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#tools\">Herramientas \u00fatiles<\/a><\/noindex>, donde cada uno encontrar\u00e1 algo interesante para s\u00ed mismo.<\/li>\n<li>Han sido extremadamente \u00fatiles <strong>los canales de v\u00eddeo que analizan art\u00edculos cient\u00edficos<\/strong> sobre Data Science. Encu\u00e9ntralos, suscr\u00edbete a ellos y comparte los enlaces con tus colegas, y tambi\u00e9n conmigo. Ejemplos:\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/user\/keeroyz\">Two Minute Papers<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCHB9VepY6kYvZjj0Bgxnpbw\">Henry AI Labs<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCZHmQk67mSJgfCCTn7xBfew\">Yannic Kilcher<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UC5_6ZD6s8klmMu9TXEB_1IA\">CodeEmporium<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.dlology.com\">Blog Chengwei Zhang<\/a><\/noindex> y <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Tony607\">Tony607<\/a><\/noindex> con instrucciones paso a paso y c\u00f3digo abierto.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><\/p>\n<p>\u00a1Gracias por su atenci\u00f3n!<\/p>\n<p>Fuente: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/482794\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-54780","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/es\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/es\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-03T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:50+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47 Redes neuronales. Hacia d\u00f3nde se dirige todo esto | ProHoster","description":"El art\u00edculo consta de dos partes: Una breve descripci\u00f3n de algunas arquitecturas de redes para la detecci\u00f3n de objetos en im\u00e1genes y segmentaci\u00f3n de im\u00e1genes con los recursos m\u00e1s comprensibles para m\u00ed.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster","og:description":"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.","og:url":"https:\/\/prohoster.info\/es\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-03T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:50+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54780","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 12:43:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:57:38","updated":"2026-01-24 12:43:20","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/54780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=54780"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/54780\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=54780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=54780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=54780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}