Laboratorio de optimización y generalización de CNN

Simulador interactivo para la sección 13 del NB04 · Piedra, papel o tijeras · Diagnosticar → Experimentar → Fundamentar

Los cambios de arquitectura y los parámetros se calculan. Los resultados predictivos no se inventan: se obtienen entrenando realmente en Google Colab.

1. Diagnosticar: ¿qué nos dicen los resultados?

Entrenamiento≈ 99 %
Validación≈ 98 %
Prueba76 %

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.

Regla de la actividad: cambia una variable a la vez y entrena un modelo nuevo desde cero. No reutilices pesos ya entrenados para comparar configuraciones.
Parámetros entrenables—
Dimensión tras segunda convolución + pooling30 × 30—
Actualización por época (aprox.)—360 imágenes de entrenamiento

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

Completa las métricas obtenidas en Colab para compararlas. El simulador no estima accuracy.

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.


Para cambiar el batch size, debes reconstruir los datasets de entrenamiento y validación con ese tamaño de lote. Cambiar únicamente el valor del control no altera los datasets que ya están en memoria en Colab. Mantén la semilla y las mismas particiones. Compara configuraciones mediante validación; reserva la prueba para la evaluación final del modelo elegido.

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.