Lección 15 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos de las Funciones de Activación que podemos usar al momento de implementar una Red Neuronal (y en general en cualquier modelo de Deep Learning).
En esta lección hablaremos del entrenamiento, que buscar ajustar los parámetros de la Red en cada una de sus capas.
Para lograr esto en cada iteración del entrenamiento interactúan dos algoritmos, conocidos como forward y backward propagation (o propagación hacia adelante y hacia atrás, respectivamente). Veamos en detalle cómo funciona este entrenamiento y las características de estos algoritmos.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Bien, acabamos de ver que el proceso de entrenamiento de una Neurona Artificial involucra inicializar sus parámetros aleatoriamente, calcular la salida mediante propagación hacia adelante, determinar el error y actualizar los parámetros mediante propagación hacia atrás, repitiendo este ciclo por un número definido de iteraciones.
Y podemos aplicar este mismo método para entrenar una Red Neuronal, con la diferencia de que al realizar la propagación hacia atrás (backpropagation) se debe usar la Regla de la Cadena para actualizar los parámetros.
Así que con esto ya tenemos claros los principios básicos de entrenamiento de una Red Neuronal.
Y para afianzar estos conceptos en la próxima lección veremos cómo usar esta las Redes Neuronales para la solución de un problema práctico usando Python y Keras. Así que en la práctica 5 veremos cómo implementar un modelo de detección de partículas con Redes Neuronales.
Todas las lecciones del curso Fundamentos de Deep Learning con Python