Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Definicion de Perceptron

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 4

U3_TEMA DE INVESTIGACIÓN PERCEPTRON

SIMPLE Y MULTICAPA

Las redes neuronales artificiales son algoritmos o modelos


computacionales diseñados según la estructura del cerebro
humano. La propiedad más cierta de ellas es su capacidad de
entender a partir de los datos, son estructuras de procesamiento
de información que han adquirido enormes logros en diversos
dominios desde el marketing hasta la investigación.

Existen numerosos tipos de redes neuronales artificiales pero los


algoritmos de perceptrón simple y multicapa ocupan un lugar
adecuado. En esta publicación, verás los fundamentos del
modelo perceptrón, su funcionamiento y algunos aspectos
esenciales del mismo. Esta foto de Autor desconocido está bajo

Perceptrón Definición
Un perceptrón es un modelo matemático inspirado en una estructura y función simplificadas de una única
neurona biológica. Es una sección de Machine Learning que se utiliza para entender el concepto de
clasificadores binarios.

Forma parte del sistema de redes neuronales. De hecho, se puede decir que el perceptrón y las redes
neuronales están interconectados. El perceptrón constituye el fundamento básico de la red neuronal que
forma parte de Deep Learning. Se considera como bloques de construcción de una sola capa de la red
neuronal.

Una red neuronal formada por el perceptrón puede definirse como un enunciado complejo con una
comprensión muy profunda de las ecuaciones lógicas. Un enunciado neuronal que sigue al perceptrón es
verdadero o falso, pero nunca puede ser ambas cosas a la vez.

El objetivo final del perceptrón es identificar las entradas que intervienen en él. Hay que identificar si las
características son verdaderas o no.

El perceptrón está formado por una serie de componentes como:

• Entrada. Las entradas en el algoritmo del perceptrón


se entienden como x1, x2, x3, x4 y así sucesivamente. Todas
estas entradas denotan los valores del perceptrón de
características y la ocurrencia total de las características.

• Pesos. Se observan como valores que se planifican al


largo de la sesión de preparación del perceptrón. Los pesos
ofrecen un valor preliminar en el inicio del aprendizaje del
algoritmo. Con la ocurrencia de cada inexactitud de
entrenamiento, los valores de los pesos se actualizan. Estos

Esta foto de Autor desconocido está bajo licencia CC


U3_TEMA DE INVESTIGACIÓN PERCEPTRON
SIMPLE Y MULTICAPA

se representan principalmente como w1, w2, w3, w4 y así sucesivamente.


• Función de activación. Cada función de activación, o no lineal, toma un único número y
realiza una determinada operación matemática fija sobre él. Hay varias funciones de
activación que se pueden encontrar en la práctica, las más comunes son la Sigmoide o la
ReLU o unidad lineal rectificada.
• Suma ponderada. Es la proliferación de cada valor de entrada o característica asociada con
el valor de paso correspondiente.
• Salida. La suma ponderada se pasa a la función de activación y cualquier valor que
obtengamos después del cálculo es nuestra salida predicha.

Componentes principales del Perceptrón

Modelo de perceptrón de una capa


Un modelo de perceptrón de una capa incluye una red feedforward que depende de una función de
transferencia de umbral en su modelo. Es el tipo más sencillo de red neuronal artificial que puede analizar
solo objetos linealmente separables con resultados binarios, es decir, 1 y 0.
U3_TEMA DE INVESTIGACIÓN PERCEPTRON
SIMPLE Y MULTICAPA

Si hablamos del funcionamiento del modelo de perceptrón de una capa, su algoritmo no tiene información
previa, por lo que inicialmente, los pesos se asignan de forma inconstante, entonces el algoritmo suma todas
las entradas ponderadas, si el valor añadido es más que algún valor predeterminado o valor umbral, entonces
el perceptrón de una capa se declara activo y entrega la salida como +1.

En palabras sencillas, los valores de entrada múltiples alimental el modelo del perceptrón, el modelo se
ejecuta con los valores de entrada, y si el valor estimado es el mismo que la salida requerida, entonces el
rendimiento del modelo se encuentra satisfecho, por lo que los pesos no exigen cambios. De hecho, si el
modelo no cumple con el resultado requerido, entonces se realizan algunos cambios en los pesos para
minimizar los errores.

Modelo de perceptrón multicapa


Un modelo de perceptrón multicapa tiene una estructura similar a la de un modelo de perceptrón de una sola
capa con más número de capas ocultas. También se denomina algoritmo de retropropagación. Se ejecuta en
dos etapas: la etapa hacia adelante y la etapa hacia atrás.

En la etapa hacia adelante, las funciones de activación se originan desde la capa de entrada a la capa de
salida, y en la etapa hacia atrás, el error entre el valor real observado y el valor demandado se origina hacia
atrás en la capa de salida para modificar los pesos.

En términos sencillos, el perceptrón multicapa puede tratase como una red de numerosas neuronas artificiales
sobre capas variadas, la función de activación ya no es lineal, en su lugar se despliegan funciones de
activación no lineales como las funciones sigmoides, TanH, funciones de activación ReLU, entre otras, para
su ejecución.
U3_TEMA DE INVESTIGACIÓN PERCEPTRON
SIMPLE Y MULTICAPA

Los modelos de perceptrón son el tipo más simplista de red neuronal en la que llevan una entrada, el peso
de cada entrada, toman la suma de la entrada ponderada y se aplica una función de activación.

Aceptan y construyen solo valores binarios, es decir, el perceptrón solo se implementa para la clasificación
binaria con la limitación de que solo son aplicables para objetos linealmente separables.

El perceptrón es la base de las redes neuronales, por lo que hay que conocer bien el modelo del perceptrón
que aporta ventajas a la hora de estudiar las redes neuronales profundas.

También podría gustarte