Neural Nets & Raspberry Pi
Neural Nets & Raspberry Pi — Aprende redes neuronales observando cómo se entrena una y luego ejecútala en una Pi simulada
Neural Nets & Raspberry Pi (llamada AI Lab dentro de la app) es una app gratuita para iPhone y Android dirigida a estudiantes, aficionados y principiantes curiosos que quieren aprender redes neuronales observando cómo una aprende en 3D: cada neurona, peso y paso del gradiente se calcula con su propio pequeño motor de entrenamiento, no con un envoltorio de TensorFlow. Cuando un modelo funciona, redúcelo a int8 y conéctalo a una Raspberry Pi Pico simulada usando Python real.
- Precio
- Gratis, actualización a Pro
- Plataformas
- iOS y Android
- Idiomas
- 10
- Clasificación por edad
- 4+
- Versión
- 1.2.0
- Requisitos
- iOS 15.1 o posterior
Todos los grandes modelos de AI están formados por millones de estas mismas pequeñas unidades conectadas entre sí.
La primera lección de AI Lab es una sola neurona: entran unos cuantos números, cada uno con su peso, un sesgo, una función de activación y sale un número. Entiende una unidad y el resto de la app —los laboratorios de entrenamiento en 3D, el modelo cuantizado y el chip simulado— será la misma idea ampliada y después reducida de nuevo.
Qué es
Neural Nets & Raspberry Pi, la app AI Lab, es una app gratuita para iOS y Android dirigida a estudiantes y aficionados que enseña redes neuronales y aprendizaje automático integrado (TinyML) de forma práctica. Las lecciones avanzan desde una sola neurona hasta redes multicapa; cuatro laboratorios en 3D te permiten observar cómo se ejecutan el descenso del gradiente, la cuantización y la inferencia int8 en un pequeño motor de entrenamiento real; y el banco de trabajo de Raspberry Pi te permite conectar componentes virtuales y escribir Python real con gpiozero en una Pi Pico simulada.
Dentro de la app
Qué aspecto tiene
Información básica
¿Qué hace realmente una red neuronal mientras se entrena?
Una red neuronal es una cadena de unidades sencillas llamadas neuronas. Cada una multiplica sus entradas por pesos, añade un sesgo y pasa el resultado por una función de activación. Entrenar significa medir repetidamente cuánto se equivoca la salida de la red y ajustar ligeramente cada peso para reducir un poco ese error, llamado pérdida. Si lo haces miles de veces, el límite de decisión de la red —la línea o curva que dibuja entre categorías— va adoptando gradualmente su posición. Conseguir que una red entrenada funcione en hardware pequeño es un problema distinto y separado: la cuantización y la inferencia integrada.
Peso, sesgo y activaciónlos tres controles de una neurona
Un peso decide cuánto importa una entrada; el sesgo desplaza la salida de la neurona independientemente de las entradas; y la activación comprime el resultado en un rango limitado para que se interprete como una decisión y no como un número sin límites. Aunque apiles suficientes de estos elementos, sin activación solo obtendrás una línea recta; la activación es lo que permite que una red se curve.
Pérdida y descenso del gradientecómo se produce el aprendizaje
La pérdida es un único número: es alto cuando las predicciones de la red son malas y bajo cuando son buenas. El descenso del gradiente calcula qué dirección reduce ese número más rápidamente y desplaza cada peso un pequeño paso en esa dirección, repitiendo el proceso hasta que la pérdida deja de disminuir. La tasa de aprendizaje determina el tamaño de ese paso: si es demasiado pequeña, el entrenamiento avanza lentamente; si es demasiado grande, puede pasarse de largo y divergir.
Cuantizacióncómo reducir un modelo entrenado
Una red recién entrenada almacena sus pesos como números de coma flotante de 32 bits, lo que resulta demasiado grande y lento para un microcontrolador. La cuantización redondea esos pesos y los convierte en números mucho más pequeños, normalmente enteros de 8 bits (int8), reduciendo el tamaño del modelo aproximadamente cuatro veces a cambio de algo de precisión. Esta es la compensación fundamental de TinyML: ejecutar aprendizaje automático en hardware pequeño y de bajo consumo en lugar de hacerlo en un servidor.
GPIO y gpiozerola parte del hardware
Los pines GPIO (entrada/salida de propósito general) son la forma en que una Raspberry Pi se comunica con componentes físicos: un LED, un botón o un zumbador. gpiozero es una biblioteca de Python que convierte los diagramas de conexiones en unas pocas líneas de código —`LED(17).on()` en lugar de escribir registros de bajo nivel—, por lo que suele ser el punto de partida para la electrónica con Pi antes de utilizar una placa real.
Cómo funciona
Cómo se usa la app
Las tres pestañas se complementan: lee cómo funciona algo, observa cómo sucede y después construye su parte física.
Recorre un mundo de lecciones breves
Signals & Neurons, Learning by Falling y Deeper Minds ofrecen entre tres y cinco lecciones breves cada uno: una neurona, después pesos y sesgo, luego pérdida y descenso del gradiente y, por último, por qué una sola línea recta acaba fallando. Un cuestionario cierra cada lección, mientras que la XP, los niveles y una racha registran tu progreso.
Observa y ajusta un modelo real en los laboratorios
Loss Valley representa el descenso del gradiente como un paisaje en 3D que inclinas con la tasa de aprendizaje; Decision Surface crea un límite alrededor de una espiral usando seis conjuntos de datos de práctica, desde nivel principiante hasta avanzado; The Shrinker cuantiza una red entrenada hasta dejarla en una cuarta parte de su tamaño; y The Chip ejecuta inferencia int8 real para que observes cómo se produce la compensación entre precisión, tamaño y velocidad, en lugar de limitarte a leer sobre ella.
Conecta y programa el Raspberry Pi Workbench
Abre el Workbench, añade componentes virtuales a una Pi Pico simulada en 3D y escribe Python real con gpiozero en el editor integrado. Los cinco proyectos iniciales van de principiante a avanzado: hacer parpadear un LED, programar la secuencia de un semáforo de tres luces, atenuar una luz con PWM, leer un botón y recorrer una barra Knight Rider de cinco LED.
Qué incluye
Lo que realmente incluye la app
4
Laboratorios de entrenamiento en 3D
Loss Valley, Decision Surface, The Shrinker y The Chip ejecutan en directo el pequeño motor de entrenamiento propio de la app, para que observes e inclines el descenso del gradiente, un límite aprendido, la cuantización y la inferencia int8 en lugar de ver diagramas estáticos.
5
Proyectos de electrónica con Pi
Haz parpadear un LED, programa la secuencia de un semáforo, atenúa una luz con PWM, lee un botón y recorre una barra Knight Rider de cinco LED; todo conectado y programado en Python con gpiozero en una Raspberry Pi Pico simulada en 3D.
int8
Inferencia cuantizada real
The Shrinker cuantiza una red entrenada y la deja aproximadamente cuatro veces más pequeña. Después, The Chip ejecuta una inferencia int8 auténtica con el resultado, para que puedas medir por ti mismo la compensación entre tamaño y precisión a la que se enfrenta cualquier ingeniero de sistemas integrados.
3
Mundos de lecciones gratuitos
Signals & Neurons, Learning by Falling y Deeper Minds —desde las neuronas y el descenso del gradiente hasta las redes multicapa— son gratuitos, al igual que todos los laboratorios y todo el Pi Workbench.
6
Conjuntos de datos de práctica
Two Blobs, XOR, Circles, Two Moons y otros dos conjuntos te permiten volver a ejecutar el problema de aprendizaje de límites del laboratorio Decision Surface con diferentes formas, desde aquellas en las que basta una línea recta hasta las que necesitan una capa oculta.
9
Logros y un Model Zoo
Nueve logros, desde completar la primera lección hasta conseguir el oro en todos los laboratorios, además de un Model Zoo de cuatro tarjetas con modelos coleccionables que se desbloquean al completar los laboratorios Loss Valley, Decision Surface, Shrinker y Chip.
Encaja
Para quién es y para quién no
Es una buena opción si
- Quieres ver qué hacen realmente una neurona, un valor de pérdida y el descenso de gradiente, no solo leer los términos
- Te interesa TinyML — ejecutar un modelo reducido y cuantizado en hardware pequeño — y quieres experimentar por ti mismo con el equilibrio entre tamaño y precisión
- Quieres practicar conexiones de Raspberry Pi y Python con gpiozero antes de arriesgarte a usar una placa real
- Aprendes mejor con un paisaje en 3-D que puedes inclinar y un límite cuyo movimiento puedes observar que con una presentación de diapositivas
- Quieres una explicación desde cero en lugar de un curso basado en llamar a la biblioteca de AI de otra persona
No es la herramienta adecuada si
- Necesitas un framework de machine learning para producción, como TensorFlow o PyTorch — el motor de entrenamiento de aquí es pequeño y fácil de explicar para aprender, no para cargas de trabajo reales
- Quieres cargar código directamente en hardware físico desde la app; la Pi de aquí es una simulación en 3-D, y el Python que escribas podrás reutilizarlo si después usas una Pi real
- Quieres tenerlo todo sin coste: los tres mundos iniciales, todos los labs y Workbench son gratis, y Pro desbloquea el resto del plan de estudios
- Ya tienes una base sólida en redes neuronales y buscas una referencia avanzada o de nivel de investigación, en lugar de lecciones sobre los principios básicos
Preguntas
Preguntas frecuentes
¿Cuál es la mejor manera de entender realmente cómo aprende una red neuronal?
Leer sobre pesos y descenso de gradiente solo llega hasta cierto punto; ver cómo la pérdida de un modelo realmente disminuye marca la diferencia. AI Lab enseña primero neuronas, pesos, sesgo y activación; después, su lab Loss Valley representa el descenso de gradiente como un paisaje en 3-D que inclinas con la tasa de aprendizaje, y Decision Surface muestra cómo un límite aprendido se envuelve en tiempo real alrededor de una espiral. Gratis en iOS y Android.
¿Qué es el descenso de gradiente y por qué importa la tasa de aprendizaje?
El descenso de gradiente es la forma en que una red reduce su propio error: en cada paso calcula qué dirección disminuye más rápido la pérdida y desplaza un poco todos los pesos en esa dirección, como una bola que baja por una pendiente hacia un valle. La tasa de aprendizaje determina el tamaño de cada paso. Si es demasiado pequeña, el entrenamiento avanza muy lentamente; si es demasiado grande, la bola puede pasarse del valle y rebotar o divergir en lugar de estabilizarse. El lab Loss Valley de AI Lab te permite mover ese control y observar la diferencia durante un entrenamiento real.
¿Qué hace realmente cuantizar una red neuronal a int8?
Una red recién entrenada almacena sus pesos como números de coma flotante de 32 bits, lo que ofrece más precisión y requiere más memoria de la que el hardware pequeño puede permitirse. La cuantización redondea esos pesos a números mucho más pequeños, normalmente enteros de 8 bits, y reduce el modelo aproximadamente a una cuarta parte de su tamaño a cambio de algo de precisión. El lab Shrinker de AI Lab lo hace sobre un modelo real entrenado, para que el equilibrio entre tamaño y precisión sea un resultado que ves, no un párrafo que lees.
¿Qué es TinyML?
TinyML es machine learning ejecutado en hardware pequeño y de bajo consumo — un microcontrolador o un ordenador de placa única — en lugar de un servidor o un teléfono, lo que significa que primero hay que reducir el modelo. Los labs Shrinker y Chip de AI Lab cubren exactamente ese proceso: cuantizar una red entrenada y después ejecutar inferencia int8 real con el resultado, antes de que el Raspberry Pi Workbench de la app pase a la parte de conexiones físicas de los proyectos integrados.
¿Puedo aprender a programar Raspberry Pi sin tener una Raspberry Pi?
Sí. Raspberry Pi Workbench de AI Lab es una simulación detallada en 3-D de una Pi Pico: añades componentes virtuales, los conectas y escribes Python real con la biblioteca gpiozero en un editor integrado, sin tener que comprar ni arriesgar una placa. Los cinco proyectos iniciales van desde un primer LED parpadeante hasta un LED controlado por botón y un barrido Knight Rider con cinco LED. El Python que escribas podrás reutilizarlo directamente si después construyes un proyecto con una Raspberry Pi real.
¿Qué es gpiozero y por qué lo usa la app?
gpiozero es una biblioteca de Python que envuelve los pines GPIO de una Raspberry Pi en objetos y métodos sencillos: encender un LED requiere una sola línea en lugar de escribir en un registro de bajo nivel. Por eso es el punto de partida habitual para la electrónica con Pi. Workbench de AI Lab usa la misma biblioteca en su simulación, así que conectar un LED, un botón o un zumbador en la app se lee igual que en el hardware real.
¿AI Lab es gratis?
Sí. AI Lab se puede descargar gratis en App Store y Google Play, y sus tres primeros mundos de lecciones — desde una sola neurona, pasando por el descenso de gradiente, hasta las redes multicapa — además de todos los labs en 3-D y el Raspberry Pi Workbench completo, se pueden usar gratis. AI Lab Pro desbloquea el resto del plan de estudios de lecciones y elimina los anuncios. La app tiene una clasificación de edad de 4+ y la versión actual es 1.2.0.
¿Necesito conocimientos de matemáticas o programación para empezar?
No. AI Lab empieza explicando qué es una neurona — unos cuantos números multiplicados por pesos, sumados con un sesgo y pasados por una activación — antes de mostrar cualquier código, y desarrolla cada idea paso a paso, con un cuestionario al final de cada lección breve. Raspberry Pi Workbench introduce Python mediante gpiozero de forma gradual, proyecto a proyecto, sin dar por sentada experiencia previa en programación.
¿El motor de redes neuronales de AI Lab es el mismo que TensorFlow o PyTorch?
No, y la app lo deja claro. El motor de entrenamiento de AI Lab es una implementación pequeña y determinista creada desde cero específicamente para entrenar al instante y seguir siendo completamente comprensible para el aprendizaje y la visualización; no es un framework de machine learning para producción. Las ideas que enseña — neuronas, pesos, pérdida, descenso de gradiente y cuantización — son las mismas que usan TensorFlow o PyTorch a una escala mucho mayor.
¿Está disponible para iPhone y Android, y cómo se llama en cada tienda?
Neural Nets & Raspberry Pi funciona en iOS a través de App Store y en Android a través de Google Play, con la interfaz en 10 idiomas y una clasificación de edad de 4+. La app se llama AI Lab en sus pantallas y su icono; App Store la muestra como AI Lab: Neural Networks & IoT y Google Play como Neural Nets & Raspberry Pi. Es la misma app en ambas plataformas.
Empezar
Observa cómo aprende una red neuronal y después llévala a un chip
Gratis en iOS y Android: desde las neuronas y el descenso de gradiente hasta una Raspberry Pi Pico conectada.
Más de CoddyKit
Disponible en iOS y Android.