Capa (aprendizaje profundo)

En un modelo de aprendizaje profundo, una capa es una estructura o topología de red en la arquitectura del modelo, que toma información de las capas anteriores y la pasa a la siguiente capa.

El primer tipo de capa es la capa densa , también llamada capa totalmente conectada , ^{[ 1 ] [ 2 ] [ 3 ]} y se utiliza para representaciones abstractas de los datos de entrada. En esta capa, las neuronas se conectan con todas las neuronas de la capa anterior. En las redes perceptrón multicapa , estas capas se apilan unas sobre otras.

La capa convolucional ^{[ 4 ]} se utiliza habitualmente para tareas de análisis de imágenes. En esta capa, la red detecta bordes, texturas y patrones. Las salidas de esta capa se introducen en una capa totalmente conectada para su posterior procesamiento. Véase también: modelo CNN .

La capa de agrupación ^{[ 5 ]} se utiliza para reducir el tamaño de la entrada de datos.

La capa recurrente se utiliza para el procesamiento de texto con una función de memoria. Al igual que la capa convolucional, la salida de las capas recurrentes se suele introducir en una capa totalmente conectada para su posterior procesamiento. Véase también: modelo RNN . ^{[ 6 ] [ 7 ] [ 8 ]}

La capa de normalización ajusta los datos de salida de las capas anteriores para lograr una distribución regular. Esto se traduce en una mayor escalabilidad y un mejor entrenamiento del modelo.

Una capa oculta es cualquiera de las capas de una red neuronal que no sean las capas de entrada o de salida.

Existe una diferencia intrínseca entre la estratificación del aprendizaje profundo y la estratificación neocortical : la estratificación del aprendizaje profundo depende de la topología de la red , mientras que la estratificación neocortical depende de la homogeneidad dentro de las capas .

• Aprendizaje profundo
• Neocorteza §  Capas