Adquiriendo señal…
Adquiriendo señal…
Lección 5 de 10· Inteligencia artificial
0 de 10 lecciones · 0 %
En la lección 4 vimos que la regresión logística es, en esencia, una sola neurona artificial: combina las entradas con pesos, suma un sesgo (bias) y aplica una función de activación no lineal (la sigmoide). Una red neuronal conecta muchas de estas neuronas en capas: una capa de entrada (los datos), una o más capas ocultas, y una capa de salida (la predicción).
Aquí es el vector de activaciones de la capa anterior, es la matriz de pesos de la capa (una fila por neurona, con un peso por conexión entrante), es el vector de sesgos de esa capa, y es la función de activación — habitualmente o sigmoide en capas ocultas, y sigmoide en la salida para problemas de clasificación binaria. Calcular para cada capa, de la entrada a la salida, se llama forward pass (propagación hacia adelante): es literalmente encadenar productos punto (lección 2) con no linealidades.
Una sola neurona (como la regresión logística) solo puede separar los datos con una frontera de decisión lineal — una recta en dos dimensiones. Hay problemas que ninguna recta puede resolver. El ejemplo clásico es XOR (or exclusivo): la salida es 1 solo cuando exactamente una de las dos entradas es 1.
| XOR | ||
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
Si dibujas estos cuatro puntos en un plano, no existe ninguna recta que separe los unos de los ceros — es precisamente el tipo de problema que hizo tropezar al perceptrón original (lección 1) y contribuyó a uno de los inviernos de la IA. Una red con al menos una capa oculta, en cambio, sí puede resolverlo: cada neurona oculta aprende una frontera lineal distinta, y la capa de salida combina esas fronteras en una región no lineal que sí separa correctamente las cuatro combinaciones.
Una red 2→2→1 con sigmoide basta. La idea es que XOR es «OR pero no AND». La primera neurona oculta imita OR y la segunda, AND:
Para la entrada : y , así que la salida es . Para : y , y la salida es . Para las dos ocultas valen casi 0 y la salida también. Las cuatro combinaciones quedan bien clasificadas. Geométricamente, cada neurona oculta traza una recta en el plano de entrada ( y ) y la salida se enciende solo en la franja que queda entre las dos.
Esta red tiene 9 parámetros: 2 × 2 pesos y 2 sesgos en la capa oculta, y 2 pesos y 1 sesgo en la salida. En general, una capa con entradas y neuronas tiene parámetros.
Sin una función de activación no lineal, encadenar capas no sirve de nada: una combinación lineal de combinaciones lineales sigue siendo lineal. Las más usadas son la sigmoide (salida entre 0 y 1), la tangente hiperbólica (entre −1 y 1, centrada en cero) y la ReLU, , que es la estándar en redes profundas porque es barata y no se satura para valores positivos. El escalón del perceptrón original (1 si , 0 si no) tiene derivada cero en casi todas partes, por eso no se puede entrenar con descenso de gradiente.
Entrenar una red neuronal significa ajustar todos los pesos y sesgos de todas las capas para minimizar el error entre la predicción y el valor real, exactamente el mismo descenso de gradiente de la lección 2. La única diferencia práctica es cómo se calcula el gradiente de una red con varias capas: el algoritmo de retropropagación (backpropagation) aplica la regla de la cadena del cálculo diferencial para propagar el error desde la salida hacia atrás, capa por capa, y así saber cuánto debe cambiar cada peso individual.
Para la red 2→2→1 con pérdida , la regla de la cadena da, de la salida hacia atrás:
donde son los pesos de salida, los de la capa oculta y la derivada de la activación. El término es el error de la salida; cada capa anterior lo recibe multiplicado por los pesos que la conectan y por la derivada de su activación. Por eso el escalón, con , bloquea el aprendizaje de la capa oculta.
Observa una red 2→H→1 (dos entradas, una capa oculta, una salida) aprendiendo XOR en vivo en tu navegador — pulsa "Entrenar" y observa cómo el grosor y el color de cada conexión cambian a medida que la pérdida (MSE) desciende época tras época:
Red neuronal entrenando en vivo · xor
Fíjate en que, al principio, los pesos son aleatorios y la pérdida es alta; conforme avanzan las épocas, el descenso de gradiente mueve cada peso en la dirección que más reduce el error, igual que el punto que descendía por la parábola en la lección 2 — solo que aquí son decenas de pesos moviéndose a la vez, y el "terreno" que descienden tiene muchas más de dos dimensiones.
El laboratorio pone en tus manos una red 2→2→1 con sus nueve parámetros editables. A la izquierda verás la propagación hacia delante de la entrada que elijas; a la derecha, la salida de la red sobre todo el plano de entrada y las rectas que trazan las dos neuronas ocultas. Empieza con el escenario «XOR resuelto a mano» (los pesos del ejemplo resuelto) y, en el panel «Pesos y sesgos», pon a 0: la red se convierte en un OR y falla la entrada . Elige luego «Pesos aleatorios (entrenar)» y pulsa «Entrenar» para ver a la retropropagación girar las dos rectas hasta resolver XOR; las lecturas «retroprop. / numérico» confirman que los gradientes de la fórmula coinciden con los calculados perturbando cada peso. Por último, cambia la activación oculta a «Escalón»: el gradiente de vale exactamente cero y la capa oculta deja de aprender.
¿Cuántos parámetros (pesos más sesgos) tiene una red 2→2→1 totalmente conectada?
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Inteligencia Artificial».