Una red neuronal artificial generalmente tiene una arquitectura definida. Esta arquitectura contribuye mucho al rendimiento de la red neuronal. Por lo general, hay una capa de entrada, una capa oculta y una capa de salida.
Esta arquitectura fue aceptable para resolver una serie de problemas. Pero la tasa de error seguía siendo bastante alta. Por lo tanto, se desarrolló una arquitectura profunda de redes neuronales.
Una red neuronal profunda tiene una capa de entrada, muchas capas ocultas y una capa de salida. Esta arquitectura se desarrolló para mejorar la precisión, pero a costa de la eficiencia y su aplicación no fue posible hasta que llegaron las GPU modernas para mejorar la eficiencia.
- ¿Cómo se actualizan los pesos en la red neuronal probabilística?
- ¿Cómo se ha desviado Grok Solutions de la visión de Numenta?
- ¿Cómo podemos suprimir el ruido de fondo en un teléfono durante una llamada telefónica?
- ¿Por qué Apple no forma parte de la Asociación en IA?
- ¿Cómo se puede imitar la intuición humana en los algoritmos de aprendizaje automático? ¿Es importante el modelado de la intuición en el aprendizaje profundo?
Se descubrió que la precisión de las redes neuronales aumentaba a medida que aumentaba el número de capas ocultas. En otras palabras, a medida que la red neuronal se hizo “más profunda” en términos de arquitectura, funcionó mejor y mejor. Aunque, ese es solo un factor que mejora la precisión. Otros factores incluyen, pequeños promedios de piscinas y zancadas, etc.