⚙️ Simulador: Arquitectura Completa de una CNN
Entrada (12×12) → Conv → Pool → FC → Softmax
IMAGEN DE ENTRADA DEL PIPELINE (12×12)
🎯 Entrenamiento (Forward Pass + Retropropagación)
Entrada ▸ Conv+ReLU ▸ Pool ▸ Flatten ▸ FC ▸ Softmax ▸ Predicción
Pérdida ◂ Optimizador ◂ Retropropagación ◂ (en cada paso)
PÉRDIDA (LOSS)
EXACTITUD
Loss: —
Exactitud: —
Paso de entrenamiento: 0
Los kernels y pesos comienzan aleatorios (ya no son los filtros fijos del simulador anterior). En cada paso, la red hace el forward pass en las 3 imágenes, calcula la pérdida (cross-entropy) e a exactitud (cuántas de las 3 imágenes se clasifican correctamente), retropropaga el error y ajusta todos los pesos (incluidos los kernels de la convolución) mediante descenso de gradiente. ⚠️ Como el "conjunto de entrenamiento" tiene solo 3 ejemplos, esto demuestra el mecanismo del entrenamiento (pérdida cayendo, exactitud subiendo, pesos cambiando) — no la capacidad de generalizar a imágenes nuevas, que exigiría muchos más datos.
Descripción: Figura 9.11: Simulador interactivo de la arquitectura de una CNN: elige una de las imágenes de entrada 12×12 (casa, rostro feliz o triste), haz clic en cada bloque del pipeline — Entrada, Conv+ReLU , Pooling , Flatten , FC y Softmax — y ejecuta pasos de entrenamiento reales ( forward pass + retropropagación) para observar la pérdida y la precisión evolucionando, los kernels siendo ajustados y el Softmax empezando a apuntar a la clase correcta.