Saltar al contenido

Función de activación

Función matemática que decide la salida de una neurona introduciendo no linealidad en la red. Sin ella, una red neuronal solo podría aprender relaciones lineales.

Actualizado: 3 de junio de 2026.

Tras sumar sus entradas ponderadas, cada neurona aplica una función de activación que determina cuánto "se enciende". La no linealidad que aporta es lo que permite a la red aprender patrones complejos.

Ejemplos comunes

ReLU (la más usada en deep learning), sigmoide y tanh. Cada una tiene ventajas según la capa y el problema.

Por qué importan

Sin activaciones no lineales, apilar capas ocultas no aportaría nada: el conjunto seguiría siendo una simple transformación lineal.

Aprende Función de activación con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

Red neuronal artificialModelo de cálculo inspirado en el cerebro, compuesto por unidades llamadas neuronas organizadas en capas que se conectan mediante pesos ajustables. Al entrenarse, esos pesos se afinan para transformar entradas en salidas útiles.Capa ocultaCapa intermedia de una red neuronal, situada entre la entrada y la salida, donde ocurre el procesamiento que transforma los datos. Las redes profundas tienen muchas capas ocultas.Retropropagación (backpropagation)Algoritmo que calcula cómo ajustar cada peso de una red neuronal propagando el error desde la salida hacia atrás. Es el método central que hace posible entrenar redes profundas.Deep learning: qué es el aprendizaje profundoDeep learning o aprendizaje profundo es un subcampo del machine learning que entrena redes neuronales con múltiples capas para aprender representaciones de los datos. Cada capa transforma la salida anterior y puede capturar patrones progresivamente más abstractos. Se usa en visión, audio, lenguaje y modelos generativos, pero requiere datos, cómputo, evaluación y controles adecuados.Pesos (weights)Los valores numéricos que controlan la fuerza de cada conexión en una red neuronal. Ajustar los pesos durante el entrenamiento es, literalmente, lo que hace que un modelo aprenda.

Ver todos los términos