Sala 4 · El despertar · 2015
ResNet: redes de 152 capas
ResNet: redes de 152 capas (Kaiming He y equipo · Microsoft Research, 2015): Atajos que permiten redes muy profundas.
Las redes muy profundas eran difíciles de entrenar. ResNet agregó conexiones de atajo que saltan capas, y así permitió redes de 152 capas. Ganó ImageNet 2015 con un error de 3,57 %, menos de la cuarta parte del de AlexNet tres años antes.
En 2015, el aprendizaje profundo tenía un problema desconcertante. En teoría, añadir más capas a una red nunca debería empeorarla: las capas extra podrían limitarse a pasar su entrada sin cambios. En la práctica, las redes muy profundas solían entrenarse peor que las más superficiales, incluso con sus propios datos de entrenamiento. Los investigadores lo llamaron el problema de degradación.
Kaiming He, Xiangyu Zhang, Shaoqing Ren y Jian Sun, de Microsoft Research Asia, propusieron una solución sencilla en "Deep Residual Learning for Image Recognition". En una red residual, o ResNet, la entrada de un bloque de capas se suma directamente a la salida del bloque mediante una conexión de atajo (shortcut connection). Así, el bloque no necesita aprender toda la transformación, solo la diferencia, el residuo, entre su entrada y la salida deseada. Si lo mejor es no hacer nada, al bloque le resulta fácil aprender a sumar casi nada.
Los atajos también le dan a la señal de error de la retropropagación un camino directo de regreso a través de la red, de modo que no se desvanece al pasar por muchas capas.
Con este diseño, el equipo entrenó redes de 152 capas, ocho veces más profundas que las mejores redes del año anterior, e incluso experimentó con más de mil. ResNet ganó el desafío de clasificación de ImageNet en 2015 con un error top-5 de 3,57 %, y ganó también las tareas de detección y localización. Como referencia, una estimación muy conocida situaba el error humano en la misma tarea de clasificación en alrededor de 5 %.
El artículo recibió el premio al mejor artículo en la conferencia CVPR 2016 y se convirtió en uno de los trabajos científicos más citados del siglo. Sus conexiones de atajo están hoy en todas partes, incluso dentro de cada Transformer de la Sala 5.
Pregúntale a tu IA: encuentra la conexión residual en un bloque Transformer y explica qué función cumple ahí.
Fuente: arxiv.org/abs/1512.03385
Verla en el museo →← DeepMind aprende a jugar Atari · AlphaGo vence a Lee Sedol →
Cómo citar: Nazareno, I. (2026). ResNet: redes de 152 capas (2015). New Mind Museum. Consultado el 17 de noviembre de 2026, en https://newmindmuseum.com/es/museo/resnet-redes-de-152-capas-2015/