1. Diagnosticar: ¿qué nos dicen los resultados?
Valores observados en una ejecución del NB04, no resultados garantizados de cualquier entrenamiento.
¿Qué conviene revisar antes de cambiar capas?
Inspecciona ejemplos de entrenamiento y prueba, preprocesamiento, errores por clase y matriz de confusión. Una brecha entre validación y prueba puede indicar diferencias entre distribuciones u otras causas; no demuestra por sí sola una causa específica.
2. Experimentar: modifica una variable
La configuración inicial reproduce la arquitectura del NB04: imágenes 128×128×3, dos convoluciones 3×3 válidas, dos max pooling 2×2, Flatten, Dense y Softmax de tres clases.
Arquitectura comparativa
¿Qué cambia y qué no podemos garantizar?
3. Fundamentar: contrasta con evidencia real
Primero formula una hipótesis y después ejecuta el cambio en Colab. Registra aquí los valores de validación. No ajustes reiteradamente usando el conjunto de prueba.
CNN original
CNN experimental
4. Código Keras para probar la hipótesis
El código crea y compila una CNN nueva. Usa los mismos datos y particiones del NB04; no es un notebook completo ni reemplaza la preparación del dataset.
5. Desafíos de reflexión
¿Por qué 10 épocas no garantizan una mejor predicción?
Más épocas ofrecen más oportunidades de ajustar los pesos, pero también pueden aumentar el sobreajuste. Compara las curvas de pérdida y accuracy de entrenamiento y validación.
¿Por qué más filtros o neuronas no siempre mejoran la generalización?
Incrementan la capacidad y el número de parámetros, pero pueden aumentar el costo computacional y la tendencia a memorizar particularidades del entrenamiento.
¿Qué harías si validación sigue alta y prueba baja?
Investiga primero la diferencia entre conjuntos, los errores por clase, el preprocesamiento y la representatividad de las imágenes. Un cambio arquitectónico por sí solo puede no resolver el problema.
¿Qué variable cambia el número de parámetros de la red?
Los filtros y las neuronas densas modifican los parámetros entrenables. Épocas, batch size y learning rate afectan el entrenamiento, pero no el número de parámetros de esta arquitectura.
Recurso de apoyo a la experimentación del NB04. HTML independiente, sin dependencias externas y sin entrenamiento dentro del navegador.