Principios básicos de las redes neuronales convolucionales
La red neuronal convolucional es una red neuronal de avance con una estructura profunda y es uno de los algoritmos representativos del aprendizaje profundo.
La red neuronal convolucional tiene la capacidad de representar el aprendizaje y puede clasificar la información de entrada de manera invariante en la traducción de acuerdo con su estructura jerárquica, por lo que también se la denomina "red neuronal artificial invariante en la traducción (SIANN)".
La investigación sobre redes neuronales convolucionales comenzó en las décadas de 1980 y 1990. Las primeras redes neuronales convolucionales fueron la red de retardo y LeNet-5, con la introducción de la teoría del aprendizaje profundo y numérico. Gracias a la mejora de los equipos informáticos, las redes neuronales convolucionales se han desarrollado rápidamente y se aplican en campos como la visión por computadora y el procesamiento del lenguaje natural.
La red neuronal convolucional imita la estructura del mecanismo biológico de percepción visual y puede usarse para aprendizaje supervisado y no supervisado. La escasez de parámetros del núcleo de convolución y las conexiones entre capas de sus capas ocultas permiten que las redes neuronales convolucionales aprendan características de red, como píxeles y audio, con efectos estables y sin requisitos de ingeniería de características adicionales para los datos.