{"id":7265,"date":"2025-08-18T15:40:11","date_gmt":"2025-08-18T13:40:11","guid":{"rendered":"https:\/\/www.aiknow.io\/introduccion-a-resnet\/"},"modified":"2025-08-18T15:40:11","modified_gmt":"2025-08-18T13:40:11","slug":"introduccion-a-resnet","status":"publish","type":"post","link":"https:\/\/www.aiknow.io\/es\/introduccion-a-resnet\/","title":{"rendered":"Introducci\u00f3n a ResNet"},"content":{"rendered":"
\n

Introducci\u00f3n a Resnet<\/h2>\n
Las redes neuronales convolucionales (CNN) han transformado el campo de la visi\u00f3n por ordenador, permitiendo abordar con \u00e9xito complejas tareas de procesamiento e interpretaci\u00f3n de im\u00e1genes. Entre las arquitecturas m\u00e1s significativas, ResNet (Red Residual)<\/strong> destaca por su capacidad para gestionar redes profundas de forma eficiente.<\/strong> Presentada por Kaiming He en 2015, ResNet ha tenido un gran impacto en el sector gracias a su innovadora estructura basada en conexiones residuales<\/strong>, que facilitan el flujo de informaci\u00f3n dentro de la red.<\/div>\n<\/div>\n

 <\/p>\n

\n

Uso de modelos preentrenados<\/h2>\n

Aprendizaje por transferencia<\/h4>\n
Uno de los enfoques m\u00e1s habituales cuando se trabaja con arquitecturas complejas y conjuntos de datos con recursos limitados es el aprendizaje por transferencia. Este enfoque consiste en utilizar un modelo preentrenado en un gran conjunto de datos y adaptarlo despu\u00e9s a una nueva tarea. ResNet50<\/strong>, por su capacidad para captar caracter\u00edsticas complejas de las im\u00e1genes, es especialmente adecuada para el aprendizaje por transferencia. El concepto de ajuste fino<\/strong> se basa en reutilizar los pesos de un modelo preentrenado y adaptar sus capas finales al nuevo problema. Este enfoque reduce significativamente el tiempo de entrenamiento, especialmente cuando los datos disponibles para la nueva tarea son limitados. Para el ajuste fino de ResNet50,<\/strong> congelamos la mayor\u00eda de las capas preentrenadas (para que no se actualicen durante el entrenamiento) y s\u00f3lo entrenamos las capas finales o nuevas adiciones, como una capa de clasificaci\u00f3n espec\u00edfica para el nuevo conjunto de datos. <\/div>\n<\/div>\n

 <\/p>\n

 <\/p>\n

\n

Arquitectura de ResNet – en breve<\/strong><\/h2>\n<\/div>\n
\n
\n
ResNet introduce el concepto de aprendizaje residual<\/strong>, que facilita el entrenamiento de redes muy profundas. La idea principal es el uso de conexiones de salto, es decir, conexiones que eluden una o m\u00e1s capas convolucionales y a\u00f1aden la salida directamente a una capa posterior. Esta estructura ayuda a preservar los gradientes durante la retropropagaci\u00f3n (la parte que permite optimizar los par\u00e1metros de la red para que la salida del modelo se acerque lo m\u00e1s posible al resultado deseado), mitigando el problema de la desaparici\u00f3n de gradientes ( vanishing gradient )<\/strong>. <\/div>\n
<\/div>\n<\/div>\n<\/div>\n
\n
\n

Bloques residuales<\/h3>\n<\/div>\n
\n
El coraz\u00f3n de ResNet es el bloque residual, que puede representarse como:<\/div>\n
\"bloque<\/div>\n
<\/div>\n
\"y = F(x) + x\"<\/div>\n
\n
donde \"x\" es la entrada, \"F(x)\" representa una transformaci\u00f3n no lineal aplicada por una serie de capas convolucionales, y \"y\" es la salida final del bloque. Esta conexi\u00f3n directa entre entrada y salida ayuda a la red a retener informaci\u00f3n crucial y acelera la convergencia durante el entrenamiento.<\/span> <\/div>\n
\n
\n

Skip Connections: Una profundizaci\u00f3n<\/h3>\n
\n
Las conexiones de salto<\/strong> son uno de los aspectos clave que hacen que ResNet sea especialmente potente. En un modelo de red neuronal tradicional, la informaci\u00f3n pasa por todas las capas de la red, sin posibilidad de “saltarse” las capas intermedias. Sin embargo, en ResNet, las conexiones de salto permiten que parte de la informaci\u00f3n eluda una o varias capas convolucionales y se a\u00f1ada directamente al resultado final de una capa m\u00e1s profunda. *** Translated with www.DeepL.com\/Translator (free version) *** <\/div>\n
Las conexiones de salto son \u00fatiles por dos razones principales:<\/div>\n
    \n
  1. Mejora del flujo de gradiente:<\/strong> En las redes neuronales profundas, el gradiente puede disminuir exponencialmente a medida que se retropropaga, especialmente en las primeras capas de la red. Este fen\u00f3meno se conoce como el problema del gradiente evanescente. Las conexiones de salto permiten que los gradientes pasen directamente a trav\u00e9s de las capas sin atenuarse significativamente, lo que mejora el aprendizaje en redes muy profundas. <\/li>\n
  2. Facilitaci\u00f3n del entrenamiento<\/strong>: las conexiones de salto ayudan a la red a centrarse en tareas de alto nivel y evitar tener que memorizar detalles menos relevantes, lo que facilita una mejor generalizaci\u00f3n.<\/strong> Sin la presencia de estas conexiones, las redes muy profundas pueden sufrir un efecto de “saturaci\u00f3n” del aprendizaje, en el que los pesos tienden a no cambiar o convergen con demasiada lentitud. <\/li>\n<\/ol>\n<\/div>\n

     <\/p>\n

    \n

     <\/p>\n<\/div>\n<\/div>\n<\/div>\n

    \n
    \n

    ResNet: arquitectura y funcionamiento<\/h2>\n
    \n

    1. Estructura de los bloques residuales<\/h3>\n

    Un bloque ResNet consta de varias capas convolucionales<\/strong>, seguidas de funciones de normalizaci\u00f3n y activaci\u00f3n. La estructura b\u00e1sica de un bloque ResNet incluye: <\/p>\n