¿Qué es Capa? — una analogía

1La analogía

Para comprar un insumo en una empresa, un solo formulario pasa por varias manos. Primero, la persona a cargo organiza el presupuesto y la cantidad; después, el jefe de equipo revisa si realmente hace falta; luego, el gerente de área confirma que no se cruce con el presupuesto de otro equipo; y al final, el director general decide mirando la situación de toda la empresa.

En cada etapa se mira algo distinto. La persona a cargo ve el detalle que tiene enfrente, números y renglones; cuanto más se avanza, más amplio es el panorama que se observa. El director no se salta al gerente para revisar renglón por renglón la cotización: recibe solo lo que la etapa anterior ya ordenó, y decide sobre eso.

Cada una de estas etapas de aprobación, alineadas en fila, es una capa. Así como en una etapa participan varias personas revisando juntas, dentro de una capa también hay varias neuronas en fila. Y, tal como al añadir etapas la revisión se vuelve más minuciosa pero toma más tiempo hasta cerrar el trámite, en una red neuronal pasa exactamente lo mismo.

2En detalle

Una capa es una fila de neuronas puestas una junto a otra

Todas las neuronas de una misma capa reciben la misma entrada. Pero el peso que lleva cada neurona es distinto, así que, aun viendo el mismo valor, cada una reacciona a algo diferente. Una neurona puede responder mucho a una línea en cierta dirección, y la de al lado, a un cambio de brillo.

A cuántas neuronas caben en una capa se le llama la anchura de esa capa. Una anchura grande permite atender más puntos de vista en una misma etapa; una angosta, obliga a resumir la información antes de pasarla. Es común ir angostando la anchura hacia el final, para ir concentrando las conclusiones.

La información fluye de adelante hacia atrás en un único sentido

El modo en que los valores viajan entre capas es simple. Las salidas de las neuronas de una capa se agrupan en una sola fila y se entregan a todas las neuronas de la capa siguiente, que vuelven a calcular multiplicando esos valores por sus propios pesos. Este proceso se repite hasta la última capa, y de ahí sale una única respuesta.

En la estructura básica no existe la posibilidad de saltarse una capa intermedia. Lo que a una capa se le escapó, la siguiente tampoco puede verlo. Es como en la aprobación de un trámite: si la persona a cargo se olvidó de un renglón, el director no tiene forma de enterarse. Por eso lo que capturan las primeras capas pesa muchísimo en el resultado final.

Lo que ve cada capa va cambiando

En un modelo que procesa imágenes se puede comprobar a simple vista qué captura cada capa. La primera reacciona a los lugares donde el brillo cambia de golpe: trazos cortos y bordes. La siguiente reacciona a los círculos o cuadrículas que forman esos trazos.

Más adelante reacciona a bloques con forma de rueda o de ventana, y hacia el final reacciona a algo parecido a "parece un auto" o "parece un gato". Nadie le asignó de antemano este papel a cada capa. Simplemente, al entrenar, se terminó asentando por sí sola la costumbre de apilar primero lo simple e ir subiendo desde ahí.

Apilar en profundidad conviene, pero tiene un costo

Apilar capas en profundidad permite combinar piezas simples una y otra vez, y así se pueden expresar reglas mucho más complejas. El "profundo" del aprendizaje profundo señala justamente esta profundidad.

El costo también es claro. Más capas significa más cálculo y más memoria, y también más tiempo hasta obtener la respuesta. Cuando la señal de entrenamiento vuelve de atrás hacia adelante, se va debilitando en el camino, y puede llegar a pasar que las primeras capas casi no aprendan nada. Por eso se agregan atajos que llevan el valor de una capa anterior tal cual hasta más adelante, o mecanismos que emparejan el tamaño de los valores en cada capa.

No hay un único tipo de capa

Lo explicado hasta acá es la capa más básica, donde cada neurona se conecta con todas las neuronas de la capa anterior. En los modelos reales conviven capas con propósitos distintos: capas que recorren pequeños fragmentos de una imagen, capas que emparejan el tamaño de los valores, capas que apagan a propósito algunas conexiones para evitar el sobreajuste.

Aunque el tipo cambie, la regla es la misma: recibe una entrada definida y entrega una salida definida, una única etapa. Si en un dibujo que presenta la estructura de un modelo ves cajas alineadas de arriba abajo, cada una de esas cajas se puede leer como una capa.

3Con más precisión

La capa no es una pieza física, sino un nombre que agrupa un cálculo. El cálculo de una capa consiste en multiplicar el bloque de valores de entrada por una tabla de pesos, sumar el sesgo y aplicar la función de activación, y todo eso se resuelve en una sola multiplicación de matrices. Como no se calcula neurona por neurona en orden, agrupar por capas resulta mucho más conveniente para una tarjeta gráfica.

La analogía de la aprobación también tiene sus costuras. Una aprobación hecha por personas puede devolverse a una etapa anterior si algo no está bien, pero en una red neuronal básica el valor nunca vuelve hacia atrás. Lo único que sí regresa es la señal de error, y solo durante el entrenamiento. Además, una aprobación la diseña una persona etapa por etapa, pero qué le toca a cada neurona dentro de una capa no lo decide nadie: se reparte solo, durante el entrenamiento.

También varía de un documento a otro cómo se cuentan las capas. Muchas veces la capa de entrada no se cuenta como capa, y si un mecanismo que empareja el tamaño de los valores cuenta como capa aparte también depende de la costumbre de cada quien. Comparar dos modelos solo por el número de capas no siempre es tan directo.

4Pruébalo

5Malentendidos comunes

Es fácil pensar que a más profundidad, siempre mejor rendimiento, pero en realidad, pasado cierto punto, el entrenamiento se vuelve inestable, y con pocos datos incluso puede empeorar.
Es fácil pensar que una capa es lo mismo que una neurona, pero en realidad dentro de una sola capa suele haber cientos o miles de neuronas alineadas.
Es fácil pensar que una persona define el papel de cada capa, pero en realidad qué captura cada capa se reparte solo durante el entrenamiento.

7Resumen en una línea

En resumenLa capa es una etapa de cálculo que agrupa a las neuronas que reciben la misma entrada, y apilar varias de estas etapas permite construir, paso a paso, desde rasgos simples hasta juicios complejos.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02