Una red de neuronas artificiales se entrena generando millones de ejemplos y ajustando poco a poco sus parámetros hasta que da la clasificación que se necesita. La red suele estar compuesta de entre 10 y 30 capas de neuronas artificiales. Cada imagen se introduce en la capa de entrada que luego se comunica con la siguiente y así sucesivamente, hasta obtener el resultado final.
Un grupo de científicos ha obtenido resultados sorprendentes, como queda reflejado en un artículo publicado en Google Research Blog.
Una manera de visualizar lo que ocurre en cada nivel consistiría en iniciar un proceso opuesto y pedir a la red que mejore una imagen de entrada de tal forma que permita obtener una interpretación particular. Sorprendentemente, resulta que las redes de neuronas artificiales que se entrenaron para diferenciar entre distintos tipos de imágenes también cuentan con suficiente información necesaria para generar imágenes
Las redes se entrenan con un gran número de ejemplos que les permiten extraer la esencia de una cosa y aprender a distinguir los elementos que no son importantes.
En lugar de prescribir qué característica se quiere que la red amplíe, es posible permitirle a la red decidirlo sola. No obstante, el resultado va a depender en gran parte de la capa de la red a la que se le hace la prueba. Por ejemplo, las capas básicas, que determinan los bordes y su posición en la imagen, van a sobreponer trazos y ornamentos sencillos.
Según muestran los resultados, incluso una red de neuronas relativamente sencilla puede usarse para interpretar una imagen.
Para conseguir unos cuadros realmente interesantes, los investigadores han introducido una imagen en la red y luego, agregan el resultado, y así sucesivamente, aplicando un 'zoom' en cada etapa. Es posible incluso utilizar una imagen con ruido aleatorio como principal, de modo que el resultado pertenezca por completo a la red de neuronas.