Propagación hacia adelante (Forward Propagation)
Propagación hacia adelante (forward propagation).
Una red neuronal artificial calcula una salida.
A partir de una entrada.
Pasando la información a través de sus capas.
Activaciones hasta obtener un resultado final.
Es la fase en la que la red predice valores.
Antes de aplicar un proceso de corrección.
Mediante backpropagation.
¿Cómo funciona la Propagación hacia Adelante?
El proceso de forward propagation
En una red neuronal sigue estos pasos.
Entrada de datos
Se introduce un vector de características X
En la capa de entrada.
Multiplicación de pesos
Se multiplican las entradas.
Por los pesos de cada conexión.
Suma con el sesgo (bias)
Se agrega un término de sesgo.
Para cada neurona.
Aplicación de función de activación
Se transforma la salida de cada neurona.
Con una función como ReLU, Sigmoide, tanh.
Propagación a la siguiente capa
Los valores obtenidos se envían.
Entrada a la siguiente capa de la red.
Cálculo de la salida
En la última capa.
Se obtiene la predicción final de la red.
Matemáticamente si tenemos una capa con pesos W
bias b y función de activación f
La salida de una neurona se calcula.
Donde:
X es la entrada.
W es la matriz de pesos.
b es el sesgo.
Z es la combinación lineal de pesos y entradas.
A es la activación después de aplicar f(Z)
Ejemplo Práctico en Python con NumPy
Propagación hacia adelante en una red neuronal simple.
Con una capa oculta y una de salida.
import numpy as np
# Función de activación sigmoide
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# Datos de entrada (X)
X = np.array([[0.5, 0.2]]) # 1 muestra con 2 características
# Pesos y bias de la capa oculta
W1 = np.array([[0.3, 0.7], [0.5, -0.2]]) # 2 neuronas, 2 entradas
b1 = np.array([0.1, -0.1])
# Propagación en la capa oculta
Z1 = np.dot(X, W1) + b1
A1 = sigmoid(Z1)
# Pesos y bias de la capa de salida
W2 = np.array([[0.6], [-0.4]]) # 1 neurona de salida
b2 = np.array([0.05])
# Propagación en la capa de salida
Z2 = np.dot(A1, W2) + b2
A2 = sigmoid(Z2) # Salida final
print(«Salida de la red neuronal:», A2)
Explicación
Se definen los datos de entrada.
Se multiplican por los pesos de la primera capa.
Se suman los sesgos.
Se aplica la función sigmoide en la capa oculta.
Se repite el proceso en la capa de salida.
Obtener la predicción final.
Propagación hacia adelante en redes profundas
En una red neuronal profunda con varias capas ocultas.
Propagación hacia adelante se repite.
En cada capa antes de llegar a la salida final.
Ejemplo con varias capas.
La propagación hacia adelante es para que una red neuronal.
Realice una predicción.
Cálculo de multiplicaciones de matrices y activaciones.
Pasa la información desde la entrada hasta la salida.
Se complementa con la propagación hacia atrás (backpropagation)
Ajustar los pesos y mejorar la precisión de la red.
