Una CNN transparente: mira cada convolución transformar la imagen, capa a capa

«A te muestra en abstracto qué patrones excitan a cada neurona; B te deja ver cómo esos mismos filtros transforman imágenes reales y se combinan capa a capa. Juntas conectan las preferencias sintéticas de una neurona con su efecto compositivo en el procesamiento real.»

«Salta de A a B para pasar de entender qué hacen realmente las activaciones filtro a filtro a aprender cómo proyecciones 2D pueden inventar clusters; así interpretas activaciones con escepticismo y validas visualizaciones antes de sacar conclusiones.»

«La interacción de Distill te da intuición sobre agregación y paso de mensajes entre nodos; la visualización de la CNN muestra el análogo espacial: filtros locales, receptive field y cómo cada capa transforma características. Saltar entre ambas consolida principios (agregación local, profundidad e interpretabilidad) y te enseña a inspeccionar modelos tanto en dominios relacionales como en imágenes.»

«Empiezas por la intuición: qué significa aprender, particionar datos y cuándo un modelo sobreajusta. Al pasar al visualizador de CNN conviertes esa intuición en evidencia visual: ves cómo filtros, stride/padding y pooling moldean características y condicionan la capacidad de generalizar.»