Cómo funciona una red neuronal

Conectar neuronas capa sobre capa

Una sola neurona junta sus entradas con pesos, las suma y emite una señal según la suma. Como es simple, su juicio también lo es: separar las cosas con una línea es casi todo lo que puede hacer.
Pero si se conecta la salida de una neurona a la entrada de otra, las cosas cambian. Al pasarse señales, las neuronas arman juntas un panorama más grande del que cualquiera vería sola.

Toca las neuronas una por una para encenderlas. Las líneas de señal unen las neuronas encendidas, y las neuronas simples forman una red.

Cada neurona sigue siendo simple. Lo que cambió es que están conectadas. Como la salida de una neurona se vuelve la entrada de la siguiente, entre varias empiezan a ver lo que ninguna vería sola.
Pero en vez de conectarlas de cualquier manera, alinearlas hace el cálculo mucho más limpio. Esas filas se llaman capas.

Capa de entrada, capas ocultas, capa de salida

Al alinear neuronas se obtiene una capa. La primera, que recibe los valores de afuera, es la capa de entrada, y la última, que da la respuesta final, es la capa de salida. Las capas del medio no se ven directamente desde afuera, por eso se llaman capas ocultas.
Por lo general, cada neurona de una capa está conectada con todas las neuronas de la capa anterior. La señal parte de la capa de entrada y fluye solo hacia adelante, capa por capa, hasta la de salida.

Toca el botón para enviar la señal una capa hacia adelante cada vez. Se enciende en orden, de la capa de entrada a la oculta y luego a la de salida.

La señal fluyó solo hacia adelante. Cada capa toma la salida de la anterior, calcula de nuevo y pasa el resultado a la siguiente. En una red que reconoce fotos, las primeras capas miran piezas pequeñas como líneas y bordes, y las últimas juntan esas piezas para reconocer formas más grandes, como ojos u orejas.
Cuanto más profunda es la capa, más abstractos son los rasgos que capta. Aprender con redes profundas, que tienen muchas capas ocultas, se llama aprendizaje profundo. Pero al apilar capas hay algo que no se puede olvidar.

Hace falta un paso que doble en medio

Parece que bastaría con apilar capas, pero hay una trampa. Si cada capa solo multiplica y suma, es una transformación recta. Por muchas transformaciones rectas que se encadenen, el resultado es otra transformación recta, así que cien capas apiladas no se diferencian de una sola.
Por eso, entre capa y capa hay que poner sí o sí un paso que doble la señal. La función de activación de la lección anterior es justamente ese paso. Una opción común hoy es una función sencilla que convierte en cero cualquier entrada negativa y deja pasar las positivas sin cambios.

Activa y desactiva el paso que dobla para comparar. Sin él, las capas apiladas se funden en una sola recta; con él, las líneas dobladas sobreviven y las formas se enriquecen.

La diferencia fue clara. Sin el paso que dobla, por muchas capas que se apilen, sigue siendo una sola recta, capaz de lo mismo que una capa. Con el paso que dobla, la señal se curva un poco en cada capa y aparecen formas que ninguna recta podría dibujar.
Este paso que dobla es lo que hace que valga la pena apilar capas.

Más capas, patrones más complejos

Agreguemos más capas con pasos que doblan. Con una capa, la red solo puede dividir el mundo en dos con una recta. Si se agregan capas y neuronas, las líneas dobladas se combinan para trazar fronteras con quiebres y curvas.
Si se apilan más todavía, aprende patrones cada vez más complejos, hasta círculos y fronteras sinuosas. Se sabe que, con suficientes neuronas, una red neuronal puede imitar una frontera de casi cualquier forma. Por eso las redes neuronales son tan potentes.

Toca añadir capa. Con pocas capas, la frontera es una recta; cuantas más añades, más se curva para envolver grupos complejos.

Cada capa añadida hizo la frontera más libre: pasó de una recta a una línea quebrada y luego a una curva suave. Con neuronas simples formando capas y pasos que doblan entre ellas, aprenden juntas patrones que ninguna soñaría sola.
Claro que tiene un costo. Cuantas más capas y neuronas hay, más pesos hay que ajustar, y más datos y cálculo necesita el entrenamiento.

Resumen

En resumen: neuronas simples se apilan y conectan en capas, y la señal fluye de la capa de entrada a la de salida. Cada capa toma la salida de la anterior y capta rasgos más grandes.
Entre capa y capa tiene que haber un paso que doble, porque si no, todo se funde en una sola recta. Apilar capas y doblar entre ellas para aprender patrones complejos: eso es una red neuronal.

Toca los puntos clave en orden para repasar. (apilar neuronas en capas → la señal fluye hacia adelante → hace falta un paso que doble en medio → más capas, patrones más complejos)

Ahora sabes cómo neuronas simples se juntan para aprender patrones complejos. Neuronas que solo podían trazar una recta cada una, al formar capas y doblar entre ellas, aprendieron incluso fronteras curvas.
Con muchas capas, sin embargo, aparece un problema. Cuando la salida se equivoca, ¿cómo se sabe en qué parte de todos esos pesos está la culpa, y cuánta? La próxima lección, sobre la retropropagación, explica cómo repartir el error trabajando hacia atrás desde la salida.