WOT

Monday, November 14, 2016

Introducción rápida a las redes neuronales

  
Nota: Este artículo es una traducción del original que aparece en el sitio de KDnuggets: A Quick Inroduction to Neural Networks

Muchas gracias por permitir su publicación en español.

Introducción rápida a las redes neuronales





Este artículo presenta una introducción a nivel básico del perceptrón multicapa y de la propagación hacia atrás.

Por Ujjwal Karn

Una red neuronal artificial (RNA) es un modelo informático que se inspira en la forma en que las redes neuronales biológicas del cerebro humano procesan la información. Las redes neuronales artificiales han suscitado mucho entusiasmo en el mundo de la investigación y de la industria del aprendizaje automático, gracias a los muchos avances conseguidos en el reconocimiento de voz, la visión por computadora y el procesamiento de textos. En esta entrada del blog trataremos de llegar a comprender un tipo particular de red neuronal artificial conocida como perceptrón multicapa.
Una sola neurona
La unidad básica de cálculo en una red neuronal es la neurona, a menudo llamada nodo o unidad. La neurona recibe la entrada de otros nodos, o de una fuente externa, y calcula un resultado que presenta a la salida. Cada entrada tiene un peso asociado (w), que se asigna en función de su importancia relativa en relación con otras entradas. El nodo aplica una función f (definida a continuación) a la suma ponderada de sus entradas como se muestra a continuación en la Figura 1:

Figura 1: neurona

Esta red admite las entradas numéricas X1 y X2 y tiene los pesos w1 y w2 asociados con esas entradas. Además, hay otra entrada 1 con un peso b (conocido como sesgo) asociado a ella. Más adelante aprenderemos más detalles sobre el papel del sesgo.
La salida Y de la neurona se calcula como se muestra en la Figura 1. la función no es lineal y se conoce como función de activación. El propósito de la función de activación es introducir la no linealidad en la salida de la neurona. Esto es importante porque la mayoría de los datos del mundo real no son lineales y queremos que las neuronas aprendan estas representaciones no lineales.

Cada función de activación (o de no linealidad) está representada por un número y realiza una determinada operación matemática sobre ella [2]. Existen varias funciones de activación que se pueden encontrar en la práctica:

·         Sigmoide: Se aplica al número real de una entrada y lo ajusta a un valor entre 0 y 1
·          
σ(x) = 1 / (1 + exp(−x))
·         Tangente hiperbólica: se aplica al número real de una entrada y lo ajusta a un valor entre [-1, 1]
tanh(x) = 2σ(2x) − 1
·         ReLU: ReLU son las siglas de Rectified Linear Unit. Se aplica al número real de una entrada y la ajusta al umbral de cero (sustituye cualquier valor negativos por cero)
·          
f(x) = máx (0, x)
 Las figuras que aparecen a continuación [2] muestran cada una de estas funciones de activación.

Figura 2: diferentes funciones de activación

Importancia del sesgo: El cometido más importante del sesgo es proporcionar a cada nodo un valor constante entrenable (además de las entradas normales que el nodo recibe). Ver este enlace para saber más acerca del papel del sesgo en una neurona.

Red neuronal unidireccional
La red neuronal unidireccional fue el primer diseño y el más sencillo de red neuronal artificial [3]. Contiene múltiples neuronas (nodos) dispuestas en capas. Los nodos de las capas adyacentes tienen conexiones o extremos entre ellos.  A todas estas conexiones se les asocian pesos.

En la Figura 3 se muestra un ejemplo de una red neuronal unidireccional.

Figura 3: ejemplo de red neuronal unidireccional

Una red neuronal unidireccional puede tener tres tipos de nodos:
1.    Nodos de entrada: Los nodos de entrada proporcionan a la red información del mundo exterior y al conjunto de los mismos se conoce como 'capa de entrada'. En los nodos de entrada no se realiza ningún cálculo, se ocupan solo de pasar la información a los nodos ocultos.

2.    Nodos ocultos: Los nodos ocultos no tienen conexiones directas  con el mundo exterior ( de ahí su denominación de 'ocultos'). Realizan cálculos y transfieren información de los nodos de entrada a los nodos de salida. Una colección de nodos ocultos forma una 'capa oculta'. Si bien una red unidireccional sólo tiene una sola capa de entrada y una única capa de salida, puede tener varias capas ocultas o incluso ninguna.

3.    Nodos de salida: Al conjunto de nodos de salida se le denomina 'capa de salida' y son los responsables de realizar los cálculos y de la transferencia de información de la red al exterior.

En una red de unidireccional la información se mueve en una sola dirección (hacia adelante) desde los nodos de entrada, a través de los nodos ocultos (si los hay) hacia los nodos de salida. No hay ciclos o bucles en la red  [3] (esta propiedad de las redes unidireccionales es diferente de la de las redes neuronales recurrentes, en las que las conexiones entre los nodos forman un ciclo)
A continuación se ofrecen dos ejemplos de redes unidireccionales:
1.    Perceptrón de una sola capa: Esta es la red neuronal unidireccional más sencilla [4] y no tiene capas ocultas. Se puede obtener más información sobre perceptrones de capa única en [4][5][6], [7].
2.    Perceptrón multicapa: Un perceptrón multicapa tiene una o más capas ocultas. A continuación estudiaremos solamente los perceptrones multicapa, ya que son más útiles que los perceptones de capa única para las aplicaciones prácticas de hoy en día.

Perceptrón multicapa
Un perceptron multicapa (PMC) contiene una o más capas ocultas (aparte de una capa entrada y una capa de salida). Mientras que un perceptron de una sola capa sólo puede aprender funciones lineales, un perceptron de varias capas también puede aprender funciones no lineales.
La figura 4 muestra un perceptrón multicapa con una única capa oculta. Hay que tener en cuenta que a todas las conexiones se les asocian pesos, y en la figura se muestran solo tres pesos (w0, w1, w2).
Capa de entrada: La capa de entrada tiene tres nodos. El nodo de sesgo tiene un valor de 1. Los otros dos nodos toman los valores X1 y X2 como entradas externas (valores numéricos que dependen de del conjunto de datos de entrada). Como se ha explicado anteriormente, no se realiza ningún cálculo en la capa de entrada, por lo que las salidas de los nodos de la capa de entrada son 1, X1 y X2 respectivamente, los cuales alimentan a la capa oculta.
Capa Oculta: La capa oculta también tiene tres nodos, con el nodo de sesgo que proporciona un valor de 1 a la salida. La salida de los otros dos nodos de la capa oculta depende de las salidas de la capa de entrada (1, X1, X2) así como de los pesos asociados con las conexiones (extremos). La figura 4 muestra el cálculo de salida para uno de los nodos ocultos (resaltado). Del mismo modo, se puede calcular el valor de la salida del otro nodo oculto. Recuerde que f se refiere a la función de activación. Estas salidas alimentan a los nodos de la capa de salida.


Figura 4: perceptron multicapa con una capa oculta

Capa de salida: La capa de salida tiene dos nodos cuyas entradas proceden de la capa oculta y realizan cálculos similares, como se muestra en el caso del nodo oculto resaltado. Los valores obtenidos (Y1 e Y2) como resultado de estos cálculos son las salidas del perceptrón multicapa.

Dado un conjunto de características X = (x1, x2, ...) y un objetivo y, un perceptrón multicapa puede aprender la relación entre las características y el objetivo, ya sea tanto para operaciones de clasificación como de regresión.

Veamos un ejemplo para entender mejor los perceptrones multicapa. Supongamos que tenemos el siguiente conjunto de calificaciones de estudiantes:

Las dos columnas de entrada muestran el número de horas de estudio y el valor medio de las calificaciones obtenidas por el estudiante. La columna 'Resultado final' puede tener dos valores 1 o 0 que indican si el estudiante pasó el examen final. Por ejemplo, podemos ver que si el estudiante estudió 35 horas y obtuvo una nota media de 67, terminó pasando el examen final.
Ahora, supongamos, queremos predecir si un estudiante que estudia 25 horas y que tiene una nota media de 70 pasará el examen final.

Este es un problema de clasificación binaria en el que un perceptron de varias capas puede aprender de los ejemplos dados (datos de entrenamiento) y hacer una predicción con criterio sobre nuevos datos. Veremos a continuación cómo un perceptrón multicapa aprende tales relaciones.
Entrenamiento del PMC: El Algoritmo de propagación hacia atrás
Al proceso por el cual un perceptrón multicapa aprende se le llama algoritmo de propagación hacia atrás. Recomendaría la lectura de esta respuesta en Quora de Hemanth Kumar (citada a continuación) que explica la propagación hacia atrás de forma muy clara.

La propagación hacia atrás de errores, abreviada a menudo como BackProp es una más de las diferentes formas con las que se puede entrenar una red neuronal artificial (RNA). Es un programa de entrenamiento supervisado, lo que significa que aprende de los datos de entrenamiento etiquetados (hay un supervisor para guiar su aprendizaje).
Para expresarlo en términos simples, BackProp es como 'aprender de los errores'. El supervisor corrige la RNA cuando comete errores.
Una RNA consta de nodos dispuestos en diferentes capas; la capa de entrada, la(s) capa(s) oculta(s) intermedia(s) y la capa de salida. A las conexiones entre nodos de capas adyacentes se les asocian 'pesos'. El objetivo del aprendizaje es asignar pesos correctos a estas conexiones o extremos. Dado un vector de entrada, estos pesos determinan cuál es el vector de salida.
En el aprendizaje supervisado, el conjunto de entrenamiento está etiquetado. Esto significa que, para algunas entradas dadas, podemos conocer la salida deseada / esperada (etiqueta).
Algoritmo BackProp:
Inicialmente todos los pesos de las conexiones se asignan al azar. La RNA se activa para cada entrada del conjunto de datos de entrenamiento, y se observa su salida. Esta salida se compara con la salida deseada que ya conocemos, y el error se 'propaga' hacia atrás, a la capa anterior. Este error se anota y los pesos se 'ajustan' en consecuencia. Este proceso se repite hasta que el error de salida está por debajo de un umbral predeterminado.
Cuando el citado algoritmo ha concluido su ejecución, tenemos una RNA 'que ha aprendido' y que consideramos que está preparada para trabajar con 'nuevas' entradas. Se dice que esta RNA ha aprendido de varios ejemplos (datos etiquetados) y de sus errores (propagación de errores).
Ahora que tenemos una idea de cómo funciona la propagación hacia atrás, volvamos a nuestro conjunto de notas de los estudiantes mostrado antes.
El perceptrón multicapa que se muestra en la figura 5 (adaptado de la excelente explicación visual del algoritmo de propagación hacia atrás de Sebastian Raschka) tiene dos nodos en la capa de entrada (aparte del nodo de sesgo) que recoge las entradas 'horas estudiadas' y 'nota media'. También tiene una capa oculta con dos nodos (aparte del nodo de sesgo). La capa de salida tiene dos nodos también, el nodo superior da salida a la probabilidad de 'aprobado' mientras que el nodo inferior genera la probabilidad de 'suspenso'.

En tareas de clasificación, utilizamos generalmente una función Softmax como función de activación en la capa de salida  del perceptrón multicapa para asegurar que las salidas son probabilidades y suman 1. La función Softmax toma un vector de puntuaciones arbitrarias de valores reales y lo ajusta a un vector de valores entre cero y uno y suman uno. Así pues, en este caso,
Probabilidad (aprobado) + Probabilidad (suspenso) = 1
Paso 1: Propagación hacia adelante
Todos los pesos de la red se asignan al azar. Consideremos a continuación el nodo de la capa oculta marcado con una V en la Figura 5. Supongamos que los pesos de las conexiones de las entradas a ese nodo son w1, w2 y w3 (como se muestra en la figura).
La red toma entonces el primer ejemplo de entrenamiento como entrada (sabemos que para las entradas 35 y 67, la probabilidad de aprobar es 1).
·         Entrada a la red = [35, 67]
·         Salida deseada de la red (objetivo) = [1, 0]
·          
Entonces la salida V del nodo que estamos considerando se puede calcular como vemos a continuación (f es una función de activación tal como la sigmoide):

V = (1*w1 + 35*w2 + 67*w3)

Del mismo modo se calculan también las salidas del otro nodo en la capa oculta.  Las salidas de los dos nodos en la capa oculta constituyen las entradas a los dos nodos en la capa de salida. Esto nos permite calcular las probabilidades de salida de los dos nodos en la capa de salida.
Supongamos que las probabilidades de salida de los dos nodos en la capa de salida son 0,4 y 0,6 respectivamente (ya que los pesos se asignan al azar, las salidas también serán aleatorias). Podemos ver que las probabilidades calculadas (0,4 y 0,6) están muy lejos de las probabilidades deseadas (1 y 0, respectivamente), por lo que la red en la Figura 5 se dice que tiene una 'salida Incorrecta'.

Figura 5: paso de propagación hacia adelante en un perceptrón multicapa


Paso 2: Propagación hacia atrás y actualización de los pesos
Calculamos el error total en los nodos de salida y propagamos estos errores de nuevo a través de la red usando la propagación hacia atrás para calcular los gradientes. Luego utilizamos un método de optimización como el descenso adaptativo para 'ajustar' todos los pesos en la red con el objetivo de reducir el error en la capa de salida. Esto se muestra en la Figura 6 a continuación (por ahora se pueden ignorar las ecuaciones matemáticas que aparecen en la figura).

Suponga que los nuevos pesos asociados con el nodo en consideración son w4, w5 y w6 (después de la propagación hacia atrás y de los pesos de ajuste).

Figura 6: paso de propagación hacia atrás y actualización  de pesos en un perceptrón multicapa


Si ahora aplicamos a la red el mismo ejemplo, la red debería funcionar mejor que antes, ya que los pesos se han ajustado para minimizar el error en la predicción. Como se muestra en la Figura 7, los errores en los nodos de salida ahora se reducen a [0,2, -0,2] en comparación con [0,6, -0,4] anterior. Esto significa que nuestra red ha aprendido a clasificar correctamente nuestro primer ejemplo de entrenamiento.

Figura 7: la red PMC funciona ahora mejor con la misma entrada

Repetimos este proceso con todos los demás ejemplos de entrenamiento de nuestro conjunto de datos. Entonces, podemos decir que nuestra red ha aprendido esos ejemplos.
Si ahora queremos predecir si un estudiante que estudia 25 horas y tiene una nota media de 70 puntos pasará el examen final, ejecutaremos el paso de propagación hacia adelante y encontraremos las probabilidades de salida para los resultados de aprobado y suspenso.
He evitado utilizar aquí las ecuaciones matemáticas y la explicación de conceptos tales como 'descenso adaptativo' y he intentado desarrollar una explicación intuitiva para el algoritmo. Para aprender  de un análisis en el que se utilizan las matemáticas del algoritmo de propagación hacia atrás, se puede consultar este enlace.

Visualización 3d de un perceptrón multicapa
Adam Harley ha creado una visualización en 3d de un perceptrón multicapa que ya ha sido entrenado (utilizando la propagación hacia atrás) sobre la base de datos MNIST de dígitos escritos a mano.
La red toma 784 valores de píxeles numéricos como entradas de una imagen 28 x 28 de un dígito escrito a mano (tiene 784 nodos en la capa de entrada correspondientes al mismo número de píxeles). La red tiene 300 nodos en la primera capa oculta, 100 nodos en la segunda capa oculta, y 10 nodos en la capa de salida (correspondiente a los 10 dígitos) [15].[15].
Aunque la red descrita aquí es mucho más grande (usa más capas y nodos ocultos) en comparación con la que discutimos en la sección anterior, todos los cálculos en el paso de propagación hacia adelante y el paso de propagación hacia atrás se hacen de la misma manera (en cada nodo) como se comentó antes.
La Figura 8 muestra la red cuando la entrada es el dígito '5'.

Figura 8: visualización de la red para una entrada de '5'

Un nodo que tiene un valor de salida más alto que otros nodos está representado por un color más brillante. En la capa de entrada, los nodos brillantes son aquellos que reciben entradas de valores de píxeles numéricos más altos. Observe cómo en la capa de salida, el único nodo brillante corresponde al dígito 5 (tiene una probabilidad de salida de 1, que es mayor que los otros nueve nodos que tienen una probabilidad de salida de 0). Esto indica que el PMC ha clasificado correctamente el dígito de entrada. Recomiendo jugar con esta visualización y observar las conexiones entre nodos de diferentes capas.
Redes neuronales profundas

Conclusión
Con el objetivo de facilitar la comprensión del tema, he omitido detalles importantes de algunos de los conceptos discutidos en esta entrada. Para profundizar en el conocimiento de los perceptrones multicapa, recomendaría estudiar las Parte1Parte2Parte3 y el Estudio del Caso del tutorial sobre redes neuronales de Stanford.
Si tiene alguna pregunta o sugerencia, por favor ¡escríbala en los comentarios a continuación!


Biografía: Ujjwal Karn tiene una experiencia de 3 años sobre aprendizaje automático en los campos de la industria y la investigación y está muy interesado en las aplicaciones prácticas de aprendizaje profundo a la comprensión de los procesos del lenguaje y de la visión.





Referencias
15. A. W. Harley, "An Interactive Node-Link Visualization of Convolutional Neural Networks," in ISVC, pages 867-877, 2015 (enlace)

No comments:

Post a Comment