Joder, 200millones de neuronas son muchas, sí señor. 🙂 Hasta donde llega mi corto entender, creo que a esos niveles debe haber algo mejor que una red neuronal a secas. Los trabajos que he visto suelen usar redes neuronales como clasificadores, selectores y demás, pero no se hace todo el proceso con redes neuronales.

En concreto, yo he implementado y toqueteado el "Standard model", de Tomaso Poggio et al., que modela el sistema visual desde la retina, pasando por el LGN hasta V1. Sin embargo, se modela mediante columnas corticales, no neuronas. La salida del algoritmo, eso sí, se procesa mediante una red neuronal.

Esta bien, veo que emplea la convolución f(x)*g(x), no obstante veo que es un poco lento (51.4 seg) manejarse con los primeros niveles:

http://cbcl.mit.edu/res-area/abstracts/ ... t-2-06.pdf

Yo empleo una convolución diferencial y normalizada, y rastreo en una VGA para buscar un ladrillo y lo encuentro en 1.4 seg 😉

Como curiosidad pongo la foto tal como la "vé" el ordenador:

Como se puede apreciar hay mucho error en la zona de los huecos que es donde suelen mirar más los algoritmos convencionales

La pega que tengo es que mis algoritmos son muy buenos en las primeras capas (la primera neurona es la campeona), pero enseguida apenas reducen el error. Mi idea es alimentar unas redes neuronales con otras pero haciendo un algoritmo sencillo que valga para todas (no creo en nuestro cerebro se diferencien mucho unas de otras)
La idea de "matar neuronas" y colgarlas de los lugares más potentes es hacerlas más competitivas.
Otra idea que estoy barajando es hacer una red que cada vez maneje el tiempo más lentamente y que la última capa se empieze a llenar a los 10 años, con idea de hacer robots más "responsables", aunque inicialmente para mis pruebas acelere al máximo la etapa de aprendizaje. A ver si así no me sale muy cabra loca, je, je 🙂 a lo mejor hay que buscarle novia para que siente la cabeza

Tengo una duda:

No tengo muy claro que datos pasar de una red neuronal a la siguiente, pues hay varias opciones:

1. Pasar el dato principal (asigno un color a cada neurona)
2. Cojer por ejemplo 4 neuronas y asignarles una posición, entonces cada vez que sale un dato por la última neurona, paso como coordenada la "distancia" a las cuatro neuronas (como si fueran cada una un eje cartesiano)
3. Pasar el índice de la neurona final (que indica por las neuronas que ha pasado antes)
Este último sistema es el que he empleado anteriormente por ser el más lógico, pero no lo considero muy válido pues puede que la distancia real de una neurona a otra sea muy distinta a la distancia entre índices (pueden corresponder por ejemplo con dos colores muy próximos). Además hay salidas que tiene menos índices que otra, pues se pasa por más neuronas.

- Por cierto, me sale muy amenudo el error "resubmit the form" a lo mejor el foro no es compatible con firefox -