{"id":409,"date":"2026-09-05T21:30:36","date_gmt":"2026-09-06T00:30:36","guid":{"rendered":"https:\/\/www.linuxpro.com.br\/2026\/09\/o-que-e-uma-rede-neural\/"},"modified":"2026-09-08T05:23:38","modified_gmt":"2026-09-08T08:23:38","slug":"o-que-e-uma-rede-neural","status":"publish","type":"post","link":"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/o-que-e-uma-rede-neural\/","title":{"rendered":"\u00bfQu\u00e9 es una red neuronal?"},"content":{"rendered":"<p><img loading=\"lazy\" decoding=\"async\" alt=\"Mascote do LinuxPro conectando nos da rede neural\" src=\"\/wp-content\/uploads\/2026\/09\/rede-neural-v3.webp\" width=\"1052\" height=\"652\" \/><\/p>\n<p>Reconocer un <strong>3<\/strong> garabato en 28\u00d728 p\u00edxeles es instant\u00e1neo para ti. Escribir un <code data-no-translation=\"\">if\/else<\/code> que haga lo mismo \u2014 curva aqu\u00ed, trazo all\u00ed, y si est\u00e1 torcido? \u2014 es un infierno. La red neuronal del v\u00eddeo <a href=\"https:\/\/www.youtube.com\/watch?v=aircAruvnKk\">But what is a neural network?<\/a>, de <strong>3Blue1Brown<\/strong> (Grant Sanderson), desmonta esto: no es magia, es una funci\u00f3n con miles de botones.<\/p>\n<p><!-- more --><\/p>\n<div style=\"position:relative;padding-bottom:56.25%;height:0;overflow:hidden;margin:1.5em 0\">\n<iframe src=\"https:\/\/www.youtube.com\/embed\/aircAruvnKk\" title=\"But what is a neural network? | Deep learning chapter 1 \u2014 3Blue1Brown\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" allowfullscreen style=\"position:absolute;top:0;left:0;width:100%;height:100%;border:0\"><\/iframe>\n<\/div>\n<p>Este texto sigue el cap\u00edtulo 1 de la serie de deep learning. La cuenta que la GPU hace en el <a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">post GPU vs TPU<\/a> es exactamente esta: multiplicar matrices, un mill\u00f3n de veces.<\/p>\n<h2>Una neurona es un n\u00famero<\/h2>\n<p class=\"translation-block\">Olvida el dibujo biol\u00f3gico. En silicio, una neurona es un <strong>recipiente con un n\u00famero<\/strong> \u2014 la <em>activaci\u00f3n<\/em>. En MNIST (d\u00edgitos manuscritos):<\/p>\n<ul>\n<li><strong>Entrada:<\/strong> 28\u00d728 = <strong>784<\/strong> neuronas. Cada una guarda el brillo del p\u00edxel, de 0 (negro) a 1 (blanco).<\/li>\n<li><strong>Salida:<\/strong> <strong>10<\/strong> neuronas, una por d\u00edgito 0\u20139. El valor m\u00e1s alto es la suposici\u00f3n.<\/li>\n<li><strong>Ocultas:<\/strong> en el ejemplo del v\u00eddeo, dos capas de 16. La red queda <code data-no-translation=\"\">784 \u2192 16 \u2192 16 \u2192 10<\/code>.<\/li>\n<\/ul>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">entrada 784 px   \u2192   oculta 16   \u2192   oculta 16   \u2192   sa\u00edda 10\n  (pixels)            (bordas)         (formas)        (0..9)\n<\/code><\/pre>\n<h2>Por qu\u00e9 capas<\/h2>\n<p>Un p\u00edxel por s\u00ed solo no significa nada. La red apila abstracciones:<\/p>\n<ul>\n<li>Capa 2: trozos de borde (trazo corto, diagonal).<\/li>\n<li>Capa 3: une bordes \u2014 c\u00edrculo arriba + asta = <strong>9<\/strong>; dos c\u00edrculos = <strong>8<\/strong>; tres rectas = <strong>4<\/strong>.<\/li>\n<li>Capa 4: combina las piezas y elige el d\u00edgito.<\/li>\n<\/ul>\n<p>El mismo esquema en el audio: muestra \u2192 fonema \u2192 s\u00edlaba \u2192 palabra. Por eso \u201cdeep\u201d: profundidad es jerarqu\u00eda, no marketing.<\/p>\n<h2>Pesos, sesgo y activaci\u00f3n<\/h2>\n<p class=\"translation-block\">Cada arista entre neuronas tiene un <strong>peso<\/strong> <code>w<\/code>. Positivo estimula; negativo inhibe (\u00bfluz en esa regi\u00f3n? entonces <em>no<\/em> es el patr\u00f3n). Cero ignora el p\u00edxel.<\/p>\n<p>El est\u00edmulo que llega a la neurona <code data-no-translation=\"\">j<\/code> es la suma ponderada de las activaciones anteriores, m\u00e1s un <strong>sesgo<\/strong> <code data-no-translation=\"\">b<\/code> (el umbral: con <code data-no-translation=\"\">b = -10<\/code>, la suma debe superar +10 para que la neurona \u201cse encienda\u201d):<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">est\u00edmulo = (w1\u00b7a1 + w2\u00b7a2 + \u2026 + wn\u00b7an) + b\n<\/code><\/pre>\n<p>Ese n\u00famero puede ser cualquier real. La <strong>funci\u00f3n de activaci\u00f3n<\/strong> lo comprime a un intervalo \u00fatil. El v\u00eddeo utiliza la <strong>sigmoide<\/strong> (curva log\u00edstica), la analog\u00eda cl\u00e1sica con el disparo biol\u00f3gico:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">\u03c3(x) = 1 \/ (1 + e^(-x))\n  x \u2192 -\u221e  \u21d2  0\n  x = 0     \u21d2  0,5\n  x \u2192 +\u221e  \u21d2  1\n<\/code><\/pre>\n<p>En la pr\u00e1ctica, las redes profundas abandonaron la sigmoide a mitad de camino: se satura y el gradiente desaparece (<em>vanishing gradient<\/em>). El patr\u00f3n pas\u00f3 a ser <strong>ReLU<\/strong> \u2014 barata y suficientemente no lineal:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">ReLU(x) = max(0, x)\n<\/code><\/pre>\n<h2>13.002 botones<\/h2>\n<p>\u00bfCu\u00e1ntos n\u00fameros libres hay en esta red did\u00e1ctica?<\/p>\n<table>\n<thead>\n<tr>\n<th>Capas<\/th>\n<th>Pesos<\/th>\n<th>Sesgos<\/th>\n<th>Total<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>784 \u2192 16<\/td>\n<td>12.544<\/td>\n<td>16<\/td>\n<td>12.560<\/td>\n<\/tr>\n<tr>\n<td>16 \u2192 16<\/td>\n<td>256<\/td>\n<td>16<\/td>\n<td>272<\/td>\n<\/tr>\n<tr>\n<td>16 \u2192 10<\/td>\n<td>160<\/td>\n<td>10<\/td>\n<td>170<\/td>\n<\/tr>\n<tr>\n<td><strong>Suma<\/strong><\/td>\n<td><strong>12.960<\/strong><\/td>\n<td><strong>42<\/strong><\/td>\n<td><strong>13.002<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Entrenar es encontrar esos 13 mil n\u00fameros. Gradient descent + backpropagation \u2014 el pr\u00f3ximo v\u00eddeo de la serie. Un LLM de 2026 tiene <em>billones<\/em> de los mismos botones; la cuenta no cambia, solo la escala. Por eso un modelo no <a href=\"\/es\/2026\/09\/rodando-ia-local-no-linux-com-ollama\/\">Ollama<\/a> come RAM: cada par\u00e1metro es un <code data-no-translation=\"\">float<\/code> que necesita caber en memoria.<\/p>\n<h2>Una l\u00ednea de \u00e1lgebra lineal<\/h2>\n<p class=\"translation-block\">Neurona a neurona no escala. Apila las activaciones en el vector <code>a<\/code>, los pesos en la matriz <code>W<\/code>, los sesgos en el vector <code>b<\/code>. La capa entera se convierte en:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">a\u00b9 = \u03c3( W \u00b7 a\u2070 + b )\n<\/code><\/pre>\n<p>Producto matriz-vector, suma el sesgo, aplica \u03c3 en cada posici\u00f3n. NumPy, PyTorch, TensorFlow existen para hacer esto r\u00e1pido \u2014 BLAS\/GEMM en la GPU. La \u201cIA\u201d del centro de datos es, en el fondo, esa l\u00ednea repetida.<\/p>\n<h2>Entonces, \u00bfqu\u00e9 es una red neuronal?<\/h2>\n<p class=\"translation-block\">Una funci\u00f3n <code>f<\/code>. En MNIST: entra \u211d<sup>784<\/sup>, sale \u211d<sup>10<\/sup>, por dentro 13.002 par\u00e1metros en productos matriciales con no linealidad en medio. Con datos suficientes, esa funci\u00f3n aprende patrones que nadie escribir\u00eda a mano. El resto \u2014 Transformer, atenci\u00f3n, GPU \u2014 es variaci\u00f3n del mismo truco.<\/p>\n<h2>Referencias<\/h2>\n<ul>\n<li>V\u00eddeo: <a href=\"https:\/\/www.youtube.com\/watch?v=aircAruvnKk\">3Blue1Brown \u2014 But what is a neural network?<\/a> (Grant Sanderson)<\/li>\n<li>Serie: <a href=\"https:\/\/www.3blue1brown.com\/topics\/neural-networks\">Neural networks \u00b7 3blue1brown.com<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">GPU vs TPU: c\u00f3mo funcionan los chips de IA<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/rodando-ia-local-no-linux-com-ollama\/\">Ejecutando IA local en Linux con Ollama<\/a><\/li>\n<\/ul>\n<p>Trece mil n\u00fameros para leer un d\u00edgito. Trillones para conversar. La m\u00e1quina es la misma.<\/p>","protected":false},"excerpt":{"rendered":"<p>Reconhecer um 3 rabiscado em 28\u00d728 pixels \u00e9 instant\u00e2neo para voc\u00ea. Escrever um if\/else que fa\u00e7a o mesmo \u2014 curva aqui, haste ali, e se estiver torto? \u2014 \u00e9 um inferno. A rede neural do v\u00eddeo But what is a neural network?, do 3Blue1Brown (Grant Sanderson), desmonta isso: n\u00e3o \u00e9 m\u00e1gica, \u00e9 uma fun\u00e7\u00e3o com &#8230; <a title=\"\u00bfQu\u00e9 es una red neuronal?\" class=\"read-more\" href=\"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/o-que-e-uma-rede-neural\/\" aria-label=\"Leer m\u00e1s sobre O que \u00e9 uma rede neural?\">Leer m\u00e1s<\/a><\/p>","protected":false},"author":0,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[115,2],"tags":[162,161,116,163,160],"class_list":["post-409","post","type-post","status-publish","format-standard","hentry","category-ia","category-linux","tag-3blue1brown","tag-deep-learning","tag-ia","tag-mnist","tag-redes-neurais"],"_links":{"self":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/409","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/comments?post=409"}],"version-history":[{"count":4,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/409\/revisions"}],"predecessor-version":[{"id":1134,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/409\/revisions\/1134"}],"wp:attachment":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/media?parent=409"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/categories?post=409"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/tags?post=409"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}