Translations:Convolutional Neural Networks/22/es: Difference between revisions

Latest revision as of 23:37, 27 April 2026

Information about message (contribute)

This message has no documentation. If you know where or how this message is used, you can help other translators by adding documentation to this message.

Message definition (Convolutional Neural Networks)

{| class="wikitable"
|-
! Architecture !! Year !! Key contribution !! Depth
|-
| '''LeNet-5''' || 1998 || Pioneered CNNs for handwritten digit recognition (MNIST) || 5 layers
|-
| '''AlexNet''' || 2012 || Won ImageNet; popularised ReLU, {{Term|dropout}}, GPU training || 8 layers
|-
| '''VGGNet''' || 2014 || Showed depth matters; used only <math>3 \times 3</math> filters throughout || 16–19 layers
|-
| '''GoogLeNet (Inception)''' || 2014 || Introduced inception modules with parallel filter sizes || 22 layers
|-
| '''ResNet''' || 2015 || Introduced residual connections enabling very deep networks || 50–152+ layers
|-
| '''DenseNet''' || 2017 || Connected each layer to every subsequent layer via dense blocks || 121–264 layers
|-
| '''EfficientNet''' || 2019 || Compound scaling of depth, width, and resolution || Variable
|}

Arquitectura	Año	Contribución clave	Profundidad
LeNet-5	1998	Pionera de las CNN para reconocimiento de dígitos manuscritos (MNIST)	5 capas
AlexNet	2012	Ganó ImageNet; popularizó ReLU, dropout, entrenamiento en GPU	8 capas
VGGNet	2014	Demostró que la profundidad importa; usó solo filtros $3 \times 3$ en toda la red	16–19 capas
GoogLeNet (Inception)	2014	Introdujo módulos inception con tamaños de filtro paralelos	22 capas
ResNet	2015	Introdujo conexiones residuales que permiten redes muy profundas	50–152+ capas
DenseNet	2017	Conectó cada capa con todas las capas posteriores mediante bloques densos	121–264 capas
EfficientNet	2019	Escalado compuesto de profundidad, anchura y resolución	Variable

@@ Line 3: / Line 3: @@
 ! Arquitectura !! Año !! Contribución clave !! Profundidad
 |-
-| '''LeNet-5''' || 1998 || Pionera de las CNN para el reconocimiento de dígitos manuscritos (MNIST) || 5 capas
+| '''LeNet-5''' || 1998 || Pionera de las CNN para reconocimiento de dígitos manuscritos (MNIST) || 5 capas
 |-
-| '''AlexNet''' || 2012 || Ganó ImageNet; popularizó ReLU, dropout y entrenamiento en GPU || 8 capas
+| '''AlexNet''' || 2012 || Ganó ImageNet; popularizó ReLU, {{Term|dropout|dropout}}, entrenamiento en GPU || 8 capas
 |-
-| '''VGGNet''' || 2014 || Mostró que la profundidad importa; usó únicamente filtros <math>3 \times 3</math> || 16–19 capas
+| '''VGGNet''' || 2014 || Demostró que la profundidad importa; usó solo filtros <math>3 \times 3</math> en toda la red || 16–19 capas
 |-
 | '''GoogLeNet (Inception)''' || 2014 || Introdujo módulos inception con tamaños de filtro paralelos || 22 capas