Una red neuronal puede entenderse como una secuencia de operaciones matemáticas sobre datos. El ejemplo introductorio de PyTorch clasifica imágenes de ropa: pasa sus valores por capas y produce puntuaciones para las clases posibles. Es una tarea computacional concreta, no una demostración de comprensión humana.
Algunas capas contienen pesos y sesgos ajustables. Las transformaciones lineales se combinan con operaciones no lineales, lo que permite representar relaciones más complejas entre entradas y salidas que una cadena únicamente lineal. La elección y disposición de las capas forman la arquitectura.
El entrenamiento comienza comparando una predicción con el objetivo asociado a un ejemplo. Una función de pérdida mide su diferencia según el objetivo elegido. La retropropagación calcula los gradientes de esa pérdida respecto a los parámetros, y un optimizador los utiliza para actualizarlos.
El proceso se repite sobre los datos de entrenamiento. Ajustes como la tasa de aprendizaje influyen en las actualizaciones. Una pérdida de entrenamiento menor aporta información, pero no completa la evaluación: el tutorial también comprueba predicciones con un conjunto de prueba separado.
Conviene distinguir entre diseñar el cálculo, ajustar sus parámetros y evaluar los resultados. El ejemplo no demuestra que cualquier red sea fiable para cualquier uso. Una descripción debe indicar tarea, datos y evaluación, sin depender de la etiqueta «inteligente».
Fuentes: PyTorch: Build the Neural Network; PyTorch: Optimizing Model Parameters.




Comentarios