Búsqueda · 13 momentos en 5 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetredes neuronales recurrentes sara robiscográfica como serie temporalseries temporales redes neuronalesredes neuronales recurrentes series temporalesanálisis textos conversando redes neuronalesentrenamiento desenrollar enrollar redes neuronalesserie temporal condición de parada redes neuronalesmodelo red neuronal juan carlosresnet con 150 capasresnet con 1000 capasredes neuronales convolucionales profundas resnetMachine LearningSara RobiscoDingoLENETArecibo WowIntel Core i7ChinaJuan CarlosResNetLIGOVirgoKAGRASurface
Redes Neuronales investigadores Sara Robisco
Ep 503: Propulsión Espacial; Computación Cuántica; Fusiones de Estrellas de Neutrones; Agujeros Negros
13 de marzo de 20256 momentos
Con
0:000:301:001:302:002:303:12
Sara Robisco pregunta sobre qué tipos de redes neuronales son adecuadas para analizar gráficas como series temporales, introduciendo el concepto de redes neuronales recurrentes.
…siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que desenrollar, enrollar, es un follón; y aparte de esto, necesitas la serie temporal y hasta que no la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la respuesta con una pedazo de gráfica usando una de las redes neuronales convolucionales más profundas que hay, la ResNet. Estamos hablando de un bicho que en su primera publicación, que fue en 2016, ResNet se probó con una profundidad de 150 capas y una profundidad de 1.000; se hicieron dos res de mil capas. O sea, estamos hablando de una señora red neuronal. Vale, pero aparte hemos hablado de datos de la gráfica, es algo complicado de digerir. Entonces ellos idean un sistema de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en…
Significado #1 · Palabras #6
Sara Robisco sugiere la posibilidad de realizar un desafío utilizando imágenes históricas del proyecto Arecibo Wow para entrenar redes neuronales.
Habla: Sara RobiscoSignificado #4 · Palabras #7redes neuronales proyecto arecibo wowchallenge imágenes históricas arecibolenet ocr red neuronal convolucionalred neuronal años noventa…va a coger esas letras y va a hacer OCR sobre ellas para pasárselas a medios analógicos, que ahora la memoria no vale nada, para a su vez analizarlas de forma moderna, vete a tú a saber con qué métodos, en fin, las vueltas que da la buena ciencia, ¿no? Lo que molaría mucho es que hicieran un challenge, porque si tú pones: a mí me gustaría tener esas imágenes y poder entrenar redes neuronales que inicialmente, como LENET, que inicialmente fue un OCR, fue la primera red neuronal convolucional, y poner a prueba, decir, venga, ¿qué tal se defendería esa red neuronal de los años 90? ¿Cómo se apañaría? y jugar con ellas. Molaría un montón. Sí, sí. Una oportunidad para... Supongo que el OCR es una red neuronal en el fondo, pero no sé exactamente los detalles. Sí, pero que... Bueno, hay muchas técnicas detrás, pero que molaría mucho probar esas antiguas, ¿no? A ver qué tal se defiende. Lo que me ha dado un poquillo bajón es que…
Sara Robisco relata una experiencia común en el entrenamiento de redes neuronales, donde los resultados tardaban varios días y a menudo no mejoraban, llevando a interrumpir el proceso.
Habla: Sara RobiscoSignificado #11entrenamiento redes neuronales sara robiscointerrupción proceso días robiscosurface microsoft reventada…además me iba dando con el resultado parcial, la iba usando, iba viendo si la cosa más o menos iba en la dirección deseada, iba mejor, iba peor. Yo le ponía que fuera escupiendo estadísticas para decirme cómo iba, y claro, había veces que llevabas 4 o 5. Días y veías que no mejoraba ni de coña y decías: ya voy a parar, no sé qué, y de repente alguien te decía: no, no, no, que creo que hay 5 o 6 días. Es una película de acción a espabilar. El ordenador, bueno, la Surface la tengo aquí, se hinchó porque la reventé. En mis simulaciones y creo que en muchas otras hay una etapa de equilibrado, de termalización que la llamábamos y que realmente, bueno, con el tiempo ibas cogiendo el feeling pero al principio no sabías, dependiendo en mi caso de la concentración de guiones,…
Sara Robisco explica que las redes neuronales utilizadas no son profundas, sino 'strike forward' debido a la necesidad de entrenarlas en paralelo para manejar un gran volumen de datos (18.000 puntos). Además, subraya que al tratarse de valores numéricos, no requieren una gran cantidad de memoria.
Habla: Sara RobiscoSignificado #7 · Palabras #16redes neuronales strike forwardentrenamiento paralelo datos 18000 puntosvalores numéricos sin gran memoriapotencia para entrenamiento número m grande…O sea, eso es la magia, Sara, desde mi punto de vista, del aprendizaje profundo, ¿no? Que no interpola ciegamente los datos, no, no, sino que es capaz de ver patrones, capturar estructuras ocultas que están por ahí. Y en este caso, de alguna forma, pues suaviza Exacto, busca patrones, pero cuidado que estas redes neuronales no son profundas, son strike forward de toda la vida Para entrenar un número M grande no puedes poner cosas muy profundas porque te eternizaría, porque las tienes que entrenar todas en paralelo, necesitas muchísima potencia Sí, porque el número de puntos es 18.000 Y claro, como son valores numéricos, tampoco necesitas una barbaridad de tamaño No son imágenes Claro, entonces funcionan súper bien. Estoy viendo además los datos del artículo y la gráfica de entrenamiento; los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como…
Sara Robisco explica que el entrenamiento del modelo requirió muchos GPUs, pero los cálculos finales se ejecutaron en un Intel Core i7 a 3.8 GHz, destacando la eficiencia de las redes neuronales pequeñas.
Habla: Sara RobiscoSignificado #5 · Palabras #12redes neuronales predicción menos segundoentrenamiento modelo sesenta díaseficiencia conjunto redes neuronales paraleloentrenamiento modelo muchos gpuscálculos finales intel core i7redes neuronales pequeñas eficiencia…Impulso Era una marca de un desodorante, no sé. ¡Ah, ostras, sí, sí, sí, sí, sí! Pero me pilló un pequeño a mí eso. Yo creo que era un perfume. No, era un desodorante, yo creo, y no tenía una mariposita. Pues sí, me suena. No sé, pero no lo sé; puede ser. Es que fijaos lo impresionante que es este trabajo: que es que la predicción la hacen un segundo, en menos de un segundo, para que veáis la eficiencia de este conjunto de redes neuronales, que estamos hablando de varias en paralelo. Y ojo, tardó 60 días en entrenar. Ahora ya se explica. Si alguien me hace un cálculo y sale en un segundo es que no se ha esforzado lo suficiente. Pero para que veáis, ¿qué pensáis? Que bueno, que esto necesitó una barbaridad de GPUs, una cosa muy loca Vale, los cálculos se ejecutaron en un Intel Core i7 de 3,8 GHz O sea, es que eficiencia total Sí, es lo que dices tú, son redes pequeñas y esto es una de las ventajas de las redes neuronales, una red pequeña se ejecuta en cualquier sitio, en un reloj la puedes poner. Bueno, Venga, vamos a pasar de tema porque ahora que dije reloj, porque es que estoy mirando el reloj aquí y me están dando la ansiedad de la que hablábamos con la canción de Coffee Break y los latidos extras me están aquí ya empezando a dar. Francis, está la gente…
Sara Robisco pregunta sobre qué tipos de redes neuronales son adecuadas para analizar gráficas como series temporales, introduciendo el concepto de redes neuronales recurrentes.
Habla: Sara RobiscoSignificado #1 · Palabras #6redes neuronales recurrentes sara robiscográfica como serie temporalseries temporales redes neuronalesredes neuronales recurrentes series temporalesanálisis textos conversando redes neuronalesentrenamiento desenrollar enrollar redes neuronalesserie temporal condición de parada redes neuronalesmodelo red neuronal juan carlosresnet con 150 capasresnet con 1000 capasredes neuronales convolucionales profundas resnet…siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que desenrollar, enrollar, es un follón; y aparte de esto, necesitas la serie temporal y hasta que no la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la respuesta con una pedazo de gráfica usando una de las redes neuronales convolucionales más profundas que hay, la ResNet. Estamos hablando de un bicho que en su primera publicación, que fue en 2016, ResNet se probó con una profundidad de 150 capas y una profundidad de 1.000; se hicieron dos res de mil capas. O sea, estamos hablando de una señora red neuronal. Vale, pero aparte hemos hablado de datos de la gráfica, es algo complicado de digerir. Entonces ellos idean un sistema de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en…
Sara Robisco explica una idea propuesta por investigadores para mejorar el rendimiento de las redes neuronales, buscando igualar el error de la observación con la solución verdadera menos la entrada.
Habla: Sara RobiscoSignificado #2red neuronal valores posición spin masasanálisis persona datos objetosresnet premisa aprendizaje capaserror aumento redes neuronales capastasa error red neuronal chinared neuronal problema chinoerror observación solución verdadera entradaredes neuronales investigadores sara robiscoecuación inversión solución verdaderared neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutronesdatos sintéticos para redes neuronalesconjunto de validación con datos realesentrenamiento con datos ficticios sara robisco…de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en frecuencia. y luego aplicar un algoritmo de compresión para reducirla lo máximo posible sin perder información. ¿Por qué? Porque el objetivo de nuestra red neuronal es devolvernos un churro de valores en los que vamos a separar nosotros encontrando la posición, el spin, masas, todos los datos que sacaría una persona analizando bien. Esto lo tiene que sacar de la red neuronal. ¿Y por qué una ResNet? Pues una ResNet parte de una premisa y es: ¿Una red neuronal si añadimos más capas va a aprender mejor? Bueno pues en 2016 teníamos un problemón y es que Se sabía que era falso, no porque a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han testeado es con datos reales, con esas poquitas percepciones que tenemos, y funciona muy bien. Y no solo eso, es tan rápida y tan eficiente. Que la podríamos tener en tiempo real en un ordenador según se va recibiendo la señal de LIGO, Virgo y KAGRA, ¡pum, pum, pum, pum!, ella procesando y en cuanto detecte algo que lance la señal. Esto supondría una herramienta muy útil para detectar este tipo de…