Tesis "Uso de computación evolutiva para encontrar los parámetros de una red neuronal profunda"
Sustentante: David Tovías Alanís
Director: Dr. Ricardo Landa Becerra, Cinvestav Unidad Tamaulipas.
Sinodales: Dr. Mario Garza Fabre, Cinvestav Unidad Tamaulipas; Dr. Ricardo Landa Becerra, Cinvestav Unidad Tamaulipas; Dr. José Gabriel Ramírez Torres, Cinvestav Unidad Tamaulipas.
Resumen:
Las redes neuronales convolucionales son una técnica de aprendizaje profundo ampliamente utilizada en el ámbito de la visión por computadora. Dentro de una red neuronal convolucional, las capas completamente conectadas son cruciales para llevar a cabo la clasificación de patrones en conjuntos de datos. No obstante, estas capas suelen contener una gran cantidad de parámetros que requieren ser ajustados. La presencia de muchos parámetros dificulta el entrenamiento de estas redes debido al alto costo computacional asociado.
En esta tesis se presenta una investigación que aplica un micro algoritmo genético para reducir la arquitectura de las capas completamente conectadas de una red neuronal convolucional en un conjunto de problemas de clasificación de imágenes, mediante el paradigma de transferencia de aprendizaje. Se utilizó el modelo pre-entrenado ResNet50 con el conjunto de datos ImageNet para extraer características de imágenes y, posteriormente, se utilizó el micro algoritmo genético para disminuir la complejidad de la arquitectura de las capas completamente conectadas. Esto permite llevar a cabo la tarea de clasificación usando un número reducido de parámetros de entrenamiento.
Los resultados obtenidos muestran que el algoritmo propuesto logra reducir la arquitectura de las capas completamente conectadas de la red neuronal convolucional sin afectar negativamente la exactitud en la clasificación.