Machine Learning 2026Visión computacionalCNN

Simulador interactivo de Redes Neuronales Convolucionales

Explora cómo una imagen atraviesa una CNN: convolución, activación, pooling, aplanado y clasificación. El objetivo es comprender qué cambia en cada etapa antes de construir una CNN completa en Keras.

1. De una red densa a una CNN

Red densa que ya conocesRed convolucional
Dense(32)Conv2D(32, 3)
32 neuronas32 filtros
Trabaja con vectoresTrabaja preservando estructura espacial
Aprende relaciones globales entre variablesAprende patrones locales: bordes, texturas, formas
Dense → Dense → SoftmaxConv → Pool → Conv → Pool → Dense → Softmax
Idea clave: en una CNN, la parte final con Dense y Softmax ya te resulta familiar. Lo nuevo es cómo la red transforma la imagen antes de clasificarla.

2. Anatomía de una CNN básica

La arquitectura mostrada es deliberadamente simple para aprender. Más capas o más filtros no significan automáticamente un mejor modelo.

3. Configura la red y observa las dimensiones

4 clases
32 filtros
64 filtros
64 neuronas
Entrada
Después de Conv1
Después de Pool1
Después de Conv2
Después de Pool2
Flatten

4. ¿Qué hace cada capa?

Conv2D

Aplica pequeños filtros sobre regiones locales de la imagen. Cada filtro aprende a responder ante un patrón distinto.

ReLU

Introduce no linealidad. Mantiene valores positivos y lleva los negativos a cero.

MaxPooling2D

Reduce la resolución espacial conservando activaciones relevantes y disminuyendo el costo computacional.

Flatten

Convierte los mapas de características en un vector para conectarlos con capas densas.

Dense

Combina las características extraídas por la CNN para apoyar la clasificación.

Softmax

Entrega una distribución de probabilidad sobre las clases.

5. Visualiza el efecto de una convolución

Imagen de ejemplo

Mapa de características conceptual

Esta visualización es conceptual: muestra cómo un filtro puede resaltar regiones donde detecta un patrón. En una CNN real los valores del filtro son aprendidos durante el entrenamiento.

6. Generador de arquitectura Keras


Observa: Conv2D(32, 3) significa 32 filtros de tamaño 3×3; Dense(64) significa 64 neuronas.

7. Lectura guiada de la arquitectura

8. Desafíos rápidos

Desafío A

Cambia padding de same a valid. ¿Qué ocurre con las dimensiones?

Desafío B

Aumenta filtros de 32 a 64. ¿Cambia el ancho y alto? ¿Qué dimensión sí cambia?

Desafío C

Observa el tamaño de Flatten. ¿Por qué puede producir demasiados parámetros?

Desafío D

Sube el tamaño de la imagen a 224×224. ¿Qué efecto tiene sobre el vector antes de Dense?

9. Puente hacia el NB04

Dataset preparado
→
Primera CNN básica
→
Entrenamiento
→
Curvas y métricas
→
CNN más completa