Deep learning · 2026-10-09 · 7 min

Deep learning de principio a fin: lo que aprendí entrenando mis propias redes

Redes convolucionales para caras y emociones, ResNet con transferencia de aprendizaje, aprendizaje por refuerzo y redes de grafos sobre bases de datos. Lo que me enseñó cada proyecto.

Usar un modelo ya entrenado es fácil. Entender por qué funciona exige entrenar alguno desde cero y verlo fallar. Estos son los proyectos con los que aprendí deep learning y lo que saqué de cada uno.

Dos redes encadenadas: puntos faciales y emociones

Una primera red convolucional localiza los puntos clave de la cara por regresión y una segunda clasifica la emoción en cinco categorías. Aprendí que encadenar modelos multiplica los errores: lo que falla la primera lo hereda la segunda. El aumento de datos y la parada temprana hicieron más por el resultado que añadir capas.

ResNet y transferencia de aprendizaje

Sobre CIFAR-10 con arquitectura ResNet, y después con un clasificador de flores en PyTorch dentro del nanodegree de AWS y Udacity. La lección fue práctica: casi nunca conviene empezar de cero. Reutilizar una red ya entrenada y ajustar las últimas capas da mejor resultado con una fracción de los datos y del tiempo.

Aprendizaje por refuerzo: MountainCar

Un coche que no tiene fuerza para subir la cuesta y debe aprender a coger impulso. Con una tabla Q discretizada se ve muy bien el problema central del refuerzo: la recompensa llega tarde, y el agente tiene que descubrir que alejarse del objetivo es parte del camino.

Redes de grafos sobre bases de datos relacionales

Con RelBench y PyTorch Geometric entrené redes neuronales de grafos directamente sobre tablas relacionadas, sin aplanarlas a mano en una sola tabla. Para quien trabaja con datos de empresa es una idea potente: la estructura de la base de datos ya contiene información que el aplanado destruye.

Lo que me llevo

• Los datos y su aumento pesan más que la arquitectura.
• Empezar por un modelo ya entrenado casi siempre es la decisión correcta.
• Guardar los pesos y el punto de control es parte del trabajo, no un extra.
• Un modelo solo se entiende de verdad cuando has visto cómo falla.