Método adaptativo para mejorar la velocidad del entrenamiento de una Red Neuronal Artificiales

Abstract

Optimizar la velocidad de entrenamiento de redes neuronales es crucial, centrándose en el ajuste eficiente de pesos y sesgos. Los algoritmos clave son SGD, ADAM y RMSProp. El SGD es esencial para grandes volúmenes de datos, mejorando con momentum. El RMSProp ajusta la tasa de aprendizaje para gradientes variables. El ADAM combina ambos, ajustando la tasa de aprendizaje por parámetro, siendo la herramienta más robusta para el deep learning. El éxito depende de la elección y combinación adecuadas de estos optimizadores, incluyendo métodos híbridos. Esta investigación se enfoca en aplicar y adaptar estos algoritmos para aumentar la eficiencia.