Canales vs. capas en redes neuronales: una distinción clara

Aunque ambos contribuyen a la profundidad de una red, canales y capas son conceptos ortogonales: uno representa extracción de características en paralelo, el otro transformación secuencial.

Canales (Mapas de características)

  • Dimensión: El tercer eje de un tensor (Alto × Ancho × Canales).
  • Rol: Cada canal aprende una respuesta de filtro distinta — bordes, texturas, colores, partes de objetos.
  • Dentro de una capa: Una capa convolucional produce múltiples canales; una convolución 1×1 mezcla canales.
  • Agrupación/pasos: Típicamente aplicada espacialmente (Alto, Ancho), no a través de canales (excepto conv 1×1 o mecanismos de atención de canal).

Capas (Etapas de procesamiento)

  • Secuencia: Apiladas verticalmente — Entrada → Oculta₁ → Oculta₂ → … → Salida.
  • Función: Cada capa transforma su entrada (convolución, agrupación, normalización, activación, atención, etc.).
  • Profundidad: Número de capas = profundidad de la red.
  • Campo receptivo: Crece con la profundidad de las capas.

Analogía intuitiva

Canales = canales de color en una imagen (R, G, B), pero características aprendidas en lugar de longitudes de onda fijas. Capas = filtros fotográficos sucesivos aplicados uno tras otro.

Tabla comparativa

AspectoCanalesCapas
DirecciónParalelo (ancho)Secuencial (profundidad)
OperaciónExtracción de características (filtros en paralelo)Transformación (serie de operaciones)
Tamaño típico32–2048 por capa10–1000+ totales
Eje de agrupaciónEspacial (Alto, Ancho)Espacial (Alto, Ancho); a veces canal (promedio global de canal)

Comprender esta distinción es crucial para el diseño de arquitecturas: ensanchar (más canales) aumenta la capacidad representativa por etapa; profundizar (más capas) aumenta la jerarquía de abstracción.