Arquitecturas Avanzadas: ResNet, Inception y DenseNet

Las arquitecturas avanzadas han permitido entrenar redes neuronales profundas con miles de capas, resolviendo problemas como el gradiente que desaparece y mejorando la eficiencia del aprendizaje. En esta guía aprenderás las tres arquitecturas más influyentes en visión artificial moderna.

1. Problema del gradiente en redes profundas

Las redes profundas sufren del problema del gradiente que desaparece: a medida que las capas aumentan, el gradiente se vuelve demasiado pequeño para actualizar los pesos. Las arquitecturas avanzadas solucionan este problema.

2. ResNet

ResNet introduce conexiones residuales que permiten que el gradiente fluya sin perderse.

y = F(x) + x
    

Esto permite entrenar redes de más de 1000 capas.

3. Inception

Inception usa múltiples tamaños de filtros en paralelo para capturar diferentes tipos de patrones.

Conv 1x1
Conv 3x3
Conv 5x5
Pooling
→ concatenación
    

Es eficiente y reduce el costo computacional.

4. DenseNet

DenseNet conecta cada capa con todas las anteriores, reutilizando características.

xₙ = [x₀, x₁, x₂, ..., xₙ₋₁]
    

• Mejor flujo de gradiente
• Menos parámetros
• Mayor eficiencia

5. Diferencias clave

• ResNet: conexiones residuales
• Inception: múltiples filtros en paralelo
• DenseNet: conexiones densas entre capas

6. Ejemplo con Keras

from tensorflow.keras.applications import ResNet50

model = ResNet50(weights=None, input_shape=(224,224,3), classes=10)
model.summary()
    

7. Ejercicios

# pista resnet
"F(x) + x"

# pista inception
"Filtros múltiples en paralelo"

Siguiente guía