1. De una red densa a una CNN
| Red densa que ya conoces | Red convolucional |
|---|---|
| Dense(32) | Conv2D(32, 3) |
| 32 neuronas | 32 filtros |
| Trabaja con vectores | Trabaja preservando estructura espacial |
| Aprende relaciones globales entre variables | Aprende patrones locales: bordes, texturas, formas |
| Dense → Dense → Softmax | Conv → Pool → Conv → Pool → Dense → Softmax |
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. ¿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
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?