{"id":133780,"date":"2021-12-14T15:48:40","date_gmt":"2021-12-14T14:48:40","guid":{"rendered":"https:\/\/multi.liora.io\/?p=133780"},"modified":"2026-02-09T15:44:07","modified_gmt":"2026-02-09T14:44:07","slug":"recurrent-neural-network-rnn-de-que-se-trata","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/recurrent-neural-network-rnn-de-que-se-trata","title":{"rendered":"Recurrent Neural Network (RNN): \u00bfde qu\u00e9 se trata?"},"content":{"rendered":"

\u00bfHas echado de menos a Daniel? \u00a1Nosotros tambi\u00e9n! Hoy, nuestro experto en Data Science que acompa\u00f1a a los alumnos a lo largo de su formaci\u00f3n responde a esta pregunta: \u00bfC\u00f3mo funcionan las redes neuronales recurrentes?<\/b><\/strong><\/p>\nSi eres un adepto a nuestro blog, ya sabr\u00e1s qu\u00e9 es una red neuronal (si no es as\u00ed, no dudes en leer este art\u00edculo antes<\/b>), pero \u00bfqu\u00e9 aporta el adjetivo recurrente a este modelo? En este art\u00edculo vamos a ver c\u00f3mo se han convertido las redes neuronales recurrentes, llamadas RNN, en un modelo cl\u00e1sico dentro del Deep Learning.\n

Puesta en situaci\u00f3n<\/h3>\nAntes de explicitar una RNN, centr\u00e9monos en una pelota. Efectivamente, en Machine Learning suele ser frecuente querer predecir la trayectoria de un objeto m\u00f3vil. Como nos muestra la figura 1, desde el punto de partida, la pelota puede ir en cualquier direcci\u00f3n. \u00bfC\u00f3mo podemos saber cu\u00e1l es el pr\u00f3ximo movimiento de la pelota?\n\"\"\n\nSin embargo, si tomamos la figura 2, es evidente decir que la pelota va a seguir yendo hacia la derecha, gracias a las trayectorias anteriores, que traducen un movimiento hacia la derecha.\n\nHasta aqu\u00ed todo parece l\u00f3gico.\n
Al contrario que en la figura 1, tenemos m\u00e1s datos de entrenamiento adicionales, de ah\u00ed que seamos capaces de decidir el desplazamiento de la pelota.<\/i><\/blockquote>\nDe este modo, basta con darle a nuestra red neuronal los antiguos desplazamientos de la pelota y se acab\u00f3 el estudio. Sin embargo, \u00bfc\u00f3mo podemos elegir el n\u00famero de neuronas de entrada? Una trayectoria puede ser compartida de la manera que queramos. Ya sea 10 o 100.\n\n\"\"\n\nLa pelota azul oscuro representa la posici\u00f3n actual de la pelota y las pelotas azul claro representan las antiguas trayectorias de nuestra pelota. De este modo adivinamos que la pelota se dirige hacia la derecha.\n\nOcultemos ese detalle por ahora, y fijemos el tama\u00f1o de nuestras muestras de entrada. Observemos la figura 3, \u00bfhacia d\u00f3nde se va a dirigir la pelota? \n\n\"\"\n\nEs cierto que el movimiento de la pelota es m\u00e1s complejo que en la figura 1, pero seguimos pudiendo decir que el siguiente desplazamiento de la pelota ser\u00e1 hacia arriba. \u00bfHar\u00e1 el modelo la misma predicci\u00f3n? Por desgracia no, ya que la red neuronal no piensa como nosotros. El modelo, al contrario que nosotros, no toma en cuenta el v\u00ednculo entre las entradas<\/b>. Las entradas no son independientes las unas de las otras, por lo que debemos conservar ese v\u00ednculo entre ellas cuando entrenamos a nuestra red neuronal.\n\nTenemos que paliar 2 problemas :\n