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.

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.