En los últimos años, el aprendizaje profundo ha alterado el campo de la visión por computadora, permitiendo a las computadoras percibir y descifrar información visual a niveles poco comunes. El juego de redes neuronales convolucionales (CNN) tuvo un impacto crucial en este cambio, con algunos diseños innovadores a la cabeza. Dos de las estructuras CNN más influyentes son AlexNet y GoogleNet (InceptionNet). Los dos modelos en conjunto han contribuido a la progresión de las tareas de clasificación de imágenes, pero contrastan en sus estructuras y principios de diseño. En este artículo, profundizaremos en las diferencias críticas entre AlexNet y GoogleNet, explorando sus estructuras, decisiones de diseño y ejecución.

Principales diferencias entre AlexNet y GoogleNet

¿Qué es AlexNet?

AlexNet es una arquitectura de red neuronal convolucional (CNN) notable creada por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton. Se introdujo en 2012 y logró un progreso crítico en el ImageNet Large Scope Visual Recognition Challenge (ILSVRC) al superar esencialmente diferentes metodologías. AlexNet fue la principal CNN en mostrar la viabilidad del aprendizaje profundo para tareas de orden de imágenes, lo que denota un momento decisivo en el campo de la visión por computadora.

1. Arquitectura

Lanzado en 2012, AlexNet encabezó la CNN y ganó el ImageNet Large Scope Visual Recognition Challenge (ILSVRC) con un margen de error crítico. Consta de cinco capas convolucionales seguidas de tres capas completamente asociadas. El uso de la actuación ReLU (Redressed Direct Unit) y la estandarización de reacción local (LRN) contribuyó a su prosperidad. AlexNet también presentó la idea de involucrar a las GPU en la preparación, lo que aceleró por completo la experiencia de desarrollo.

2. Profundidad de la red:

Con ocho capas (cinco convolucionales y tres completamente asociadas), AlexNet se consideró profundo en el momento de su presentación. Sin embargo, a diferencia de los diseños actuales, generalmente es poco profundo, lo que restringe su capacidad para capturar elementos y ejemplos alucinantes en conjuntos de datos extremadamente complejos.

3. Productividad Computacional:

Si bien la presentación de AlexNet sobre la preparación de GPU aceleró la experiencia educativa, todavía era computacionalmente costosa debido a sus capas completamente asociadas más profundas y el uso limitado de la paralelización.

4. Sobreajuste:

Debido a su diseño moderadamente superficial y una gran cantidad de límites, AlexNet estaba más inclinado al sobreajuste, particularmente en conjuntos de datos más modestos. Posteriormente se utilizaron estrategias como la deserción escolar para moderar este problema.

5. Formación:

Para entrenar a AlexNet, los creadores utilizaron el conjunto de datos ImageNet, que contiene más de 1.000.000 de imágenes con nombre de 1.000 clasificaciones. Utilizaron una caída de ángulo estocástico (SGD) con energía como cálculo de mejora. Durante el entrenamiento, se aplicaron métodos de expansión de información como edición arbitraria y volteo para ampliar el tamaño del conjunto de datos de entrenamiento y desarrollar aún más la generalización.

El sistema de capacitación se solicitó computacionalmente y el uso de GPU por parte de AlexNet para un manejo equitativo resultó ser esencial. El entrenamiento de AlexNet en un sistema de doble GPU requirió alrededor de siete días, lo que fue una mejora crítica en comparación con los tiempos de entrenamiento habituales basados ​​en procesadores de computadora.

6. Resultados:

En la competencia ImageNet 2012, AlexNet logró una notable tasa de error entre los 5 primeros de alrededor del 15,3%, superando abrumadoramente a diferentes metodologías.

El resultado de AlexNet inició una avalancha de interés en el aprendizaje profundo y las CNN, lo que provocó un cambio en la concentración del área local de visión por computadora hacia redes neuronales más complejas y profundas.

7. Configuración de la capa convolucional:

Las capas convolucionales en AlexNet están organizadas en una sucesión básica, con capas de agrupación máxima periódicas para reducir la resolución. Esta clara ingeniería fue trascendental en ese momento, pero restringió la capacidad de la organización para captar elementos progresistas complejos.

8. Disminución de dimensionalidad:

AlexNet implica capas de agrupación máxima para reducir la resolución, lo que reduce los componentes espaciales de los mapas de elementos. Esto ayuda a disminuir el peso computacional y controlar el sobreajuste.

9. Tamaño y complejidad del modelo:

Si bien AlexNet se consideraba profundo en ese momento, es algo más modesto y menos complicado en comparación con diseños posteriores. Esta sencillez lo hizo más obvio y llevado a cabo.

10. Utilización de Clasificadores Auxiliares:

Para resolver el problema de los ángulos de evaporación durante la preparación, AlexNet presentó la idea de clasificadores auxiliares. Estos clasificadores adicionales se unieron a capas moderadas y dieron signos de ángulo a las capas anteriores durante la propagación hacia atrás.

11. Impacto en la dirección de la investigación:

El resultado de AlexNet supuso un enorme cambio en el campo de la visión del PC. Incitó a los científicos a investigar la capacidad del aprendizaje profundo para diferentes tareas relacionadas con imágenes, lo que provocó el rápido desarrollo de diseños de CNN más desarrollados.

¿Qué es GoogleNet?

GoogleNet, también llamado Inception v1, es una arquitectura CNN creada por el grupo Google Brain, especialmente por Christian Szegedy, Wei Liu y otros. Se introdujo en 2014 y ganó el ILSVRC con una precisión y productividad computacional aún más desarrolladas. La arquitectura de GoogleNet se describe por su diseño profundo, que comprende 22 capas, lo que la convierte en una de las primeras CNN 'excepcionalmente profundas'.

1. Arquitectura

GoogleNet (Inception v1): Presentado en 2014, GoogleNet es esencial para el grupo Inception de CNN. Es conocido por su diseño profundo que involucra 22 capas (módulos iniciales). El desarrollo vital de GoogleNet es el módulo inicial, que considera convoluciones iguales de varios tamaños de canales dentro de una capa similar. Esto disminuyó la complejidad computacional y al mismo tiempo mantuvo la precisión, lo que hace que GoogleNet sea más efectivo que AlexNet.

2. Profundidad de la red:

Los módulos iniciales de GoogleNet se consideran un diseño esencialmente más profundo sin expandir los gastos computacionales. Con 22 capas, GoogleNet fue una de las principales CNN en mostrar los beneficios de una mayor profundidad de la red, lo que provocó un mayor desarrollo de la precisión y el poder.

3. Productividad Computacional:

Los módulos iniciales de GoogleNet se consideran un uso más productivo de los activos computacionales. Al utilizar convoluciones iguales dentro de cada bloque inicial, GoogleNet redujo la cantidad de límites y cálculos, haciéndolo más accesible para aplicaciones continuas y transmitiendo dispositivos basados ​​en activos.

4. Sobreajuste:

El diseño profundo pero efectivo de GoogleNet esencialmente redujo el sobreajuste, lo que le permitió funcionar mejor en conjuntos de datos más pequeños y situaciones de aprendizaje en movimiento.

5. Formación:

La capacitación de GoogleNet también profundiza en el uso del conjunto de datos de ImageNet y se utilizaron procedimientos de aumento de información comparables para mejorar la generalización. Sea como fuere, debido a su arquitectura más profunda, GoogleNet requirió más activos computacionales que AlexNet durante el entrenamiento.

El desarrollo de módulos iniciales permitió a GoogleNet encontrar algún tipo de armonía entre profundidad y efectividad computacional. Las convoluciones iguales dentro de cada bloque inicial disminuyeron por completo la cantidad de cálculos y límites, lo que hizo que el entrenamiento fuera más alcanzable y efectivo.

6. Resultados:

GoogleNet logró un gran ritmo de errores entre los 5 primeros de alrededor del 6,67% en el concurso ImageNet 2014, superando la presentación de AlexNet.

La arquitectura profunda pero competente de GoogleNet exhibió la capacidad de redes neuronales más profundas mientras se mantenía al día con la capacidad computacional, lo que la hacía más atractiva para aplicaciones reales.

7. Configuración de la capa convolucional:

número de armstrong

GoogleNet presentó la idea de módulos iniciales, que comprenden numerosas capas convolucionales iguales de varios tamaños de canales. Este plan permite a GoogleNet captar aspectos destacados en diferentes escalas y, en conjunto, trabaja en la capacidad de la organización para eliminar elementos importantes de diferentes grados de deliberación.

8. Disminución de dimensionalidad:

Además de la agrupación máxima habitual, GoogleNet utiliza métodos de reducción de dimensionalidad como convoluciones 1x1. Estas convoluciones más modestas están menos escaladas computacionalmente y ayudan a disminuir la cantidad de elementos al tiempo que protegen los datos fundamentales.

9. Tamaño y complejidad del modelo:

Los módulos de origen de GoogleNet generan un diseño más profundo con fundamentalmente más capas y límites. Esta complejidad, si bien ofrece una precisión aún mayor, también puede hacer que la organización tenga que realizar más pruebas para prepararse y calibrarse.

10. Utilización de Clasificadores Auxiliares:

GoogleNet refinó la idea de los clasificadores asistentes incorporándolos dentro de los módulos de iniciación. Estos clasificadores auxiliares avanzan en la preparación de capas más profundas y mejoran el flujo de ángulos, lo que contribuye a una preparación más constante y eficaz.

11. Impacto en la dirección de la investigación:

Los módulos iniciales de GoogleNet presentaron la posibilidad de una extracción eficaz de componentes a varias escalas. Esta idea afectó el plan de los diseños resultantes, lo que permitió a los analistas concentrarse en mejorar la profundidad de la organización y la productividad computacional mientras se mantenían al día o desarrollaban aún más la precisión.

Conclusión

Tanto AlexNet como GoogleNet afectan de manera duradera el campo de la visión por computadora y el aprendizaje profundo. AlexNet exhibió la capacidad de las CNN para tareas de reconocimiento de imágenes y se preparó para futuras progresiones. Por otra parte, GoogleNet presentó la idea de los módulos de origen, preparándolos para estructuras CNN más efectivas y profundas.

Si bien AlexNet y GoogleNet tienen sus ventajas especiales, el campo del aprendizaje profundo se ha desarrollado fundamentalmente desde sus presentaciones. Los diseños actuales, como ResNet, DenseNet y EfficientNet, también han superado los límites de la exactitud, la productividad y la generalización. A medida que los analistas continúan mejorando y ampliando estos modelos esenciales, el destino de la visión por computadora presenta un compromiso mucho más notable y perspectivas adicionales intrigantes.