Cómo reconoce los dígitos una red neuronal
Dibuja un dígito y mira cómo lo interpreta una red neuronal real. Verás qué neuronas se encienden, qué busca cada una y cómo 784 píxeles se convierten en una sola respuesta. Todo funciona en tu navegador.
Dibuja un dígito
La red dice3100 % de seguridad
De 10.000 dígitos de prueba que no vio al aprender, acierta el 97,8 %.
Dentro de la red
Recorre los cuatro pasos o haz clic en cualquier neurona para ver cómo calcula.
- Color más intenso = la neurona brilla más
- Sube la siguiente suma
- Baja la siguiente suma
Paso 4: la salida del dígito 3
Cada una de las 10 salidas suma de la misma forma las 16 neuronas de la capa 2. Cuanto mayor es la suma de una salida, más se inclina la red por su dígito.
Lo que más sumó y restó
La suma de esta salida es 14,97. Softmax la convierte en una proporción del 100 % (ver abajo).
El sesgo es un número propio de la neurona, aprendido igual que los pesos: hace que se encienda con más o menos facilidad.
De 10 sumas a una respuesta
Softmax convierte las 10 sumas en proporciones que suman el 100 %. La suma más alta recibe la mayor proporción: si una suma es mayor que otra en 1, su proporción es unas 2,7 veces mayor. La respuesta es el dígito con la mayor proporción. La proporción muestra cuánto se inclina la red por un dígito, no la probabilidad de que acierte.
| Dígito | Suma | Proporción |
|---|---|---|
| 0 | -5,37 | 0 % |
| 1 | -0,27 | 0 % |
| 2 | 2,32 | 0 % |
| 3 | 14,97 | 100 % |
| 4 | -6,86 | 0 % |
| 5 | 4,38 | 0 % |
| 6 | -10,56 | 0 % |
| 7 | 1,13 | 0 % |
| 8 | -1,01 | 0 % |
| 9 | 1,46 | 0 % |
Una demostración para entender; nada de lo que dibujes sale de tu navegador. Cómo se calcula y de dónde salen los datos
Cómo reconoce un dígito una red neuronal
Una red neuronal está formada por unidades sencillas, las neuronas, organizadas en capas. Cada neurona hace una sola cosa: suma los números que le llegan, cada uno multiplicado por su propio peso, añade su sesgo y transmite el resultado si es positivo. La inteligencia no está en ninguna neurona concreta, sino en los pesos.
Esta red recibe tu dibujo como 784 números, uno por píxel. La capa 1 tiene 32 neuronas y cada una reacciona a un trazo corto en un lugar concreto, como se ve en sus patrones. La capa 2 tiene 16 neuronas que combinan esos trazos en partes más grandes. Las 10 salidas, una por dígito, suman la capa 2 y gana la más alta.
Nadie ajustó los pesos a mano. Al principio eran aleatorios y la red respondía al azar. Después vio 60 000 dígitos manuscritos con las respuestas correctas, y tras cada pequeño lote cada peso se movió un poco en la dirección que reduce el error (retropropagación y descenso de gradiente). Tras 30 pasadas por todos los dígitos, sus unos 26 000 pesos se asentaron en los patrones que ves.
Por eso la red se equivoca de otra manera que una persona. Ha aprendido cómo son los dígitos de MNIST, no qué es un dígito. Dibuja un dígito muy fino, cortado o con un estilo poco habitual, y las sumas pueden inclinarse hacia otro lado. Pruébalo: dibuja un 4 abierto por arriba, un 7 con barra o una letra y observa qué neuronas reaccionan.
Los mismos componentes, en un número mucho mayor y organizados de otra forma, están dentro de las redes que reconocen la voz, traducen o escriben textos. El principio es el mismo: muchísimas sumas ponderadas, con pesos aprendidos a partir de ejemplos.
Preguntas frecuentes
¿Es una red neuronal de verdad?
Sí. Es una red pequeña pero completa, entrenada con dígitos manuscritos reales, y calcula en tu navegador exactamente como muestra el esquema. Cada número del esquema es el valor real del cálculo.
¿Se envía mi dibujo a algún sitio?
No. La red funciona en tu navegador. El dibujo solo se guarda en el almacenamiento de tu navegador, para que siga ahí cuando vuelvas.
¿Por qué no reconoce mi dígito?
Solo conoce dígitos parecidos a los de MNIST: un dígito, dibujado en el centro, con líneas de grosor normal. Nunca ha visto tu letra y no puede responder «no lo sé». Prueba a dibujarlo más grande y más sencillo, o mira qué neuronas de la capa 1 se encendieron y a qué salidas sumaron.
¿Qué precisión tiene?
Con los 10 000 dígitos de prueba de MNIST, que no vio al aprender, acierta en unos 98 de cada 100 casos; la proporción exacta aparece bajo la zona de dibujo. Los dígitos dibujados en pantalla se ven distintos de los trazos de bolígrafo sobre papel, así que con ellos puede acertar menos.
¿Qué es MNIST?
Una colección de 70 000 dígitos manuscritos que Yann LeCun, Corinna Cortes y Christopher Burges reunieron en los años noventa a partir de muestras de escritura estadounidenses. Durante mucho tiempo ha sido lo primero con lo que se prueban los métodos nuevos, una especie de «hola, mundo» del aprendizaje automático.
Artículos relacionados
Cómo se calcula y de dónde salen los datos
Cómo se calcula el resultado
- Tu dibujo se vuelve a trazar como MNIST preparó sus dígitos: los trazos con un lápiz de unos 3 píxeles de ancho, encajados en un recuadro de 20 × 20 conservando su forma y desplazados para que el centro de la tinta quede en el centro de una imagen de 28 × 28. Cada píxel es un número de 0 a 1.
- La red tiene 784 entradas, 32 neuronas en la capa 1, 16 en la capa 2 y 10 salidas. Cada neurona suma sus entradas, cada una multiplicada por su peso, más su sesgo. En las dos capas ocultas una suma negativa pasa a 0 (ReLU); las 10 sumas de salida pasan por softmax, que las convierte en proporciones que suman el 100 %.
- Entrenamos la red con los 60 000 dígitos de entrenamiento de MNIST: 30 pasadas de descenso de gradiente con momento en lotes de 64 dígitos, cada dígito desplazado, girado, inclinado y adelgazado o engrosado al azar, para que la red reconozca también dígitos dibujados en pantalla.
- La precisión se mide con los 10 000 dígitos de prueba de MNIST, que la red nunca vio al aprender, con el mismo código y los mismos pesos que usa la página. El resultado aparece bajo la zona de dibujo.
- Los pesos se guardan con 8 bits cada uno; la precisión indicada se mide después de ese redondeo. Una neurona de una capa oculta se colorea con más intensidad cuanto mayor es su valor frente a un valor alto de su capa (el percentil 95 de los dígitos de prueba).
Supuestos y límites
- La red solo conoce los dígitos del 0 al 9 y siempre responde con uno de ellos, incluso ante una letra o un garabato, a veces con una proporción alta.
- Los dígitos de MNIST los escribieron empleados de la Oficina del Censo de EE. UU. y estudiantes de secundaria estadounidenses. Otras caligrafías, como un 1 con un trazo inicial largo o un 7 cruzado, pueden reconocerse peor.
- Es una red pequeña, hecha para poder seguirla. La red convolucional descrita por LeCun y otros (1998) se equivocó en menos del 1 % de los mismos dígitos de prueba; las redes que se usan hoy en la práctica son mucho más grandes.
- La red no recuerda dibujos anteriores y no aprende de los tuyos.
Los dígitos de ejemplo son dígitos manuscritos del conjunto de prueba de MNIST. Los números del esquema de la red son los valores reales del cálculo, no ejemplos nuestros.
Fuentes de datos y el periodo al que corresponden
Cada número con el que una calculadora empieza o con el que calcula procede de una de las fuentes de abajo. Los nombres de las series figuran tal como los da el editor. Cada fila muestra el periodo al que se refieren los datos y, donde lo registramos, el día en que los descargamos. Los datos oficiales pueden tener meses cuando se publican, así que compruebe la cifra actual antes de decidir.
- Oficial
- Publicado por un banco central, una oficina de estadística, la Unión Europea u otro organismo público.
- Datos académicos o del sector
- Un conjunto de datos de una universidad, un proveedor de índices, una asociación del sector o un proveedor de datos.
- Según la prensa
- Una cifra de un organismo oficial que solo conocemos por la prensa y no hemos comprobado en la fuente original. Tómela como aproximada.
- Ejemplo
- Un número redondo nuestro, no una estadística. Sustitúyalo por el suyo.
Dígitos manuscritos para entrenar la red
| Fuente | Periodo | Tipo |
|---|---|---|
Yann LeCun, Corinna Cortes, Christopher J. C. BurgesThe MNIST database of handwritten digits: 60,000 training and 10,000 test images of 28 × 28 pixels, size-normalized to a 20 × 20 box and centered by the center of mass (files from the torchvision mirror, checked against its MD5 sums) | 1998descargado el 2026-10-17 | Datos académicos o del sector |
Y. LeCun, L. Bottou, Y. Bengio, P. HaffnerGradient-based learning applied to document recognition, Proceedings of the IEEE 86 (11), 2278–2324 | 1998 | Datos académicos o del sector |
Texto de la metodología revisado por última vez el 2026-10-06. Datos descargados por última vez el 2026-10-17. Cómo trabajamos con datos y fuentes