TL; DR: Sí, más de una capa oculta lo hace profundo.
Cuando aumenta el número de capas en una red neuronal artificial, se puede llamar “profunda”
- ¿Cuáles son ejemplos avanzados de software adaptativo que se reescribe a sí mismo?
- ¿Qué relevancia tiene la investigación sobre la estructura fisiológica y la función de los sistemas biológicos para la ingeniería de los programas de IA?
- ¿Completar el curso en línea TensorFlow me ayudará a conseguir un concierto en los campos del aprendizaje profundo / automático?
- ¿Cuánto tiempo llevará crear una conciencia artificial y cómo se hará?
- Cómo elegir las características para un conjunto de datos de imagen
Pero aún así, 2 o más capas no se consideran profundas en general.
Hay redes que tienen 19 capas de profundidad.
Ejemplo: VGG para imágenes (página de inicio del grupo de geometría visual)
La idea de Deep Networks es la representación del conocimiento. Cada capa tiende a construir una representación / concepto abstracto sobre el cual se construyen las capas adicionales.
Sin embargo, la definición se vuelve borrosa. El número de definición de capa oculta funciona para las redes de avance como se muestra en la imagen de arriba. Pero si considera las redes neuronales recurrentes , no tienen capas como tales en el espacio. Quizás puedas pensar en ellos como capas en el tiempo (mi visualización aquí podría estar equivocada)
El aprendizaje profundo , aunque suena llamativo, es realmente solo un término para describir ciertos tipos de redes neuronales y algoritmos relacionados que a menudo consumen datos de entrada muy crudos . Procesan estos datos a través de muchas capas de transformaciones no lineales de los datos de entrada para calcular una salida objetivo
- Inteligencia artificial, aprendizaje profundo y redes neuronales explicadas
Referencias de imagen
Redes neuronales y aprendizaje profundo (gran libro para ANN y DL)
Comprensión de las redes LSTM (excelente enlace para LSTM, una especie de NN recurrente)
