Page 30 - Revista 2021 - 2022

Revista de la Facultad de Ingeniería, Año 7, Número 1
Capa de clasificación o Capa densa

La última capa del modelo consiste en una red profunda o capa densa, cuya finalidad
consiste en entrenar la red en base a las características obtenidas en las capas
anteriores y de esa forma poder realizar la clasificación de la imagen en base a las
clases determinadas. En este artículo no entraremos en mayores detalles sobre el
funcionamiento de esta capa ya que existe una explicación sobre este tema con
mucha profundidad en el número anterior de esta revista (Rojas, 2020).

Parámetros e Hiperparámetros
Es importante dejar en claro la diferencia entre estos dos conceptos ya que, en
muchas ocasiones se utilizan indistintamente, pero sin embargo representan
conceptos muy distintos.

Los parámetros son aquellas variables que los algoritmos de redes convolucionales
CNN (aunque aplica para todas las redes profundas) aprenden a lo largo del
entrenamiento, por ejemplo, los pesos.
La cantidad de parámetros que un modelo debe entrenar depende de la arquitectura
de la red, en una red con una capa convolucional (16 filtros de 3x3, una imagen color
de 150x150), una capa MaxPool (2x2 y stride=2), una capa densa (64), una capa
densa de (32) y una capa de salida densa de 5 valores) genera una cantidad de
5.762.757 millones de parámetros, un número nada despreciable, que deben ser
entrenados por el modelo.
Por otro lado, los hiperparámetros son los valores que el programador o analista de
datos puede especificar para optimizar el modelo, algunos ejemplos de esto son:
ratio de aprendizaje, función de activación, función de perdida, métricas,
optimizador, entre otros. Estos hiperparámetros se encuentran estrechamente ligados
con el optimizador utilizado.

Uniendo el puzle
Ahora que conocemos los componentes de una red neuronales convolucional es
momento de mostrar un ejemplo completo donde todos los elementos del puzle se
acomoden en su posición con el fin de presentar una solución completa y funcional.
Para realizar el ejemplo que se presentará a continuación se utilizó la herramienta
Google colab (Google, 2022)como entorno de programación y ejecución. Esta
herramienta es de uso gratuito y permite realizar pruebas rápidas, así como también
utilizar recursos CPU o GPU según sea necesario.
En nuestro ejemplo la primera tarea realizada fue la importación de las librerías que
se utilizarán a lo largo de todo el ejemplo (ver Figura 1), para lo esto se importaron
las siguientes librerías:

1. Tensorflow: Biblioteca de código abierto desarrollada por Google para
aprendizaje automático.
2. NumPy: Librería para el manejo de vectores y matrices de gran tamaño.
3. Matplotlab: Librería para crear gráficos y/o mostrar imágenes

29