Red neuronal convolucional (CNN)
Tipo de red neuronal que aplica filtros convolucionales para detectar patrones locales y reutilizar esos filtros en distintas posiciones de una entrada.
Explicado fácil
Una CNN aprende filtros que detectan patrones locales, como bordes y texturas en una imagen. Al combinar muchos filtros y capas, puede reconocer estructuras más complejas.
Una analogía
Es como recorrer una imagen con varias lupas: cada una busca una señal concreta, y las capas posteriores combinan las señales encontradas para identificar objetos.
Un ejemplo
Un sistema de visión puede usar una CNN para clasificar fotografías o extraer características que otra parte del modelo utiliza para detectar objetos.
Cómo funciona (nivel técnico)
En una convolución, un filtro con parámetros aprendibles se aplica sobre regiones locales de la entrada; los mismos parámetros se reutilizan en distintas posiciones. Esto reduce el número de parámetros frente a una conexión densa y aprovecha la estructura espacial. Capas de activación, reducción o convoluciones adicionales componen la arquitectura; no todas las CNN usan las mismas capas.
Errores comunes
- Pensar que una CNN «ve» como una persona: aprende patrones estadísticos de los datos.
- Creer que solo sirve para imágenes; convoluciones también se usan con audio y secuencias.
- Suponer que compartir filtros la hace invariante a cualquier cambio de posición o escala.