Red Neuronal Convolucional Es una red feedforward adaptada para el reconocimiento de imágenes utilizado en nuestro caso debido a la utilización de imágenes en el experimento.

Se definen por las siguientes propiedades:

• Las capas convolucionales aplican una serie de filtros a la entrada.
• Las capas submuestreo reducen el tamaño de la entrada.
• Existen múltiples maneras de submuestra, pero los más populares son el pooling máximo, pooling promedio, y pooling estocástico.
• La última capa de submuestreo (o convolucional) suele estar relacionada con una o más capas totalmente conectadas, la última de las cuales representa los datos de objetivo.
• El entrenamiento se realiza usando propagación hacia atrás modificada, la cual toma en cuenta las capas de submuestreo y actualiza los pesos de filtro convolucional, basándose en todos los valores a los que se aplica dicho filtro.

La función de Activación

La función de activación más utilizada para este tipo de redes neuronales es la llamada ReLu por Rectifier Linear Unit y consiste en f(x)=max(0,x).

Capa de submuestro Una capa de submuestreo se coloca después de la primera capa convolucional con el fin de disminuir el tamaño de los datos. La operación que se realiza es max-pooling

Capa completamente conectada 3 capas Convolucionales + ReLU + MaxPool | 8 Filtros x Capa 2 capas Fully Connected | 256 Neuronas x Capa 3 salidas: Celular & Vaso & Cara

Se utilizan dos capas completamente conectadas en la parte final de la red, con una unidad en la capa de salida y L-unidades en la capa oculta.