Semana 7 – Aplicación de Autoencoder para la Reconstrucción de Imágenes¶

Autor: Alexander Oviedo Fadul
Programa: Especialización en Inteligencia Artificial y Deep Learning – UNIMINUTO
Asignatura: NRC-198 Deep Learning
Profesor: Juan Carlos Valencia
Fecha: 27 de abril de 2026

Objetivo¶

Implementar un autoencoder para reconstrucción de imágenes utilizando Keras y TensorFlow, respondiendo a las preguntas orientadoras:

¿Cómo trabaja un autoencoder?
¿Cómo se utiliza un autoencoder para la reconstrucción de imágenes con Keras y TensorFlow?

Pregunta 1: ¿Cómo trabaja un autoencoder?¶

Un autoencoder es una red neuronal de aprendizaje no supervisado compuesta por tres bloques:

Componente	Función	Activación típica
Encoder (Codificador)	Comprime la entrada a una representación de menor dimensión	ReLU
Bottleneck (Espacio latente)	Representación comprimida que captura la esencia de los datos	—
Decoder (Decodificador)	Reconstruye la salida a partir de la representación comprimida	Sigmoid

Principio de funcionamiento¶

La red se entrena para que la salida sea lo más parecida posible a la entrada.
La función de pérdida mide la discrepancia entre entrada (x) y reconstrucción (x̂).
Al comprimir y descomprimir, la red aprende a retener solo la información más relevante.
Es un método no supervisado: no requiere etiquetas, los propios datos son el objetivo.

Aplicaciones¶

Reducción de dimensionalidad
Eliminación de ruido (denoising)
Detección de anomalías
Generación de datos sintéticos
Compresión de datos

Referencia: Bonaccorso, G. (2018). Mastering Machine Learning Algorithms. Packt Publishing.

Pregunta 2: ¿Cómo se utiliza un autoencoder para la reconstrucción de imágenes con Keras y TensorFlow?¶

A continuación se implementa paso a paso un autoencoder con el dataset MNIST.

Parte A – Autoencoder Denso (Fully Connected)¶

Modelo base del notebook de clase.

In [1]:

# 0. Instalación / Imports
import numpy as np
import matplotlib.pyplot as plt

import keras
from keras.datasets import mnist
from tensorflow.keras import layers, models

print('Entorno listo ✅')

Entorno listo ✅

In [2]:

# 1. Cargar y preparar datos para autoencoder denso
(x_train, _), (x_test, _) = mnist.load_data()

# Normalizar [0, 1] y aplanar a vectores de 784
x_train = x_train.astype('float32') / 255.
x_test  = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test  = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))

print(f'Train shape: {x_train.shape}')
print(f'Test  shape: {x_test.shape}')

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11490434/11490434 ━━━━━━━━━━━━━━━━━━━━ 0s 0us/step
Train shape: (60000, 784)
Test  shape: (10000, 784)

In [3]:

# 2. Construir el autoencoder denso
entrada        = keras.Input(shape=(784,))
codificacion   = layers.Dense(32, activation='relu')(entrada)
salida         = layers.Dense(784, activation='sigmoid')(codificacion)

autoencoder    = keras.Model(entrada, salida)
codificador    = keras.Model(entrada, codificacion)

entrada_codifi = keras.Input(shape=(32,))
capa_descod    = autoencoder.layers[-1]
descodificador = keras.Model(entrada_codifi, capa_descod(entrada_codifi))

autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
autoencoder.summary()

Model: "functional"

┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ input_layer (InputLayer)        │ (None, 784)            │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense (Dense)                   │ (None, 32)             │        25,120 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense_1 (Dense)                 │ (None, 784)            │        25,872 │
└─────────────────────────────────┴────────────────────────┴───────────────┘

 Total params: 50,992 (199.19 KB)

 Trainable params: 50,992 (199.19 KB)

 Non-trainable params: 0 (0.00 B)

In [4]:

# 3. Entrenar el autoencoder denso (base)
history_dense = autoencoder.fit(
    x_train, x_train,
    epochs=10,
    batch_size=256,
    shuffle=True,
    validation_data=(x_test, x_test)
)

Epoch 1/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 4s 9ms/step - loss: 0.2787 - val_loss: 0.1896
Epoch 2/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1698 - val_loss: 0.1528
Epoch 3/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1439 - val_loss: 0.1342
Epoch 4/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1294 - val_loss: 0.1228
Epoch 5/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1199 - val_loss: 0.1149
Epoch 6/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1131 - val_loss: 0.1090
Epoch 7/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1077 - val_loss: 0.1042
Epoch 8/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1033 - val_loss: 0.1003
Epoch 9/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.1001 - val_loss: 0.0978
Epoch 10/10
235/235 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.0979 - val_loss: 0.0958

In [5]:

# 4. Visualizar resultados del autoencoder denso
encoded_imgs = codificador.predict(x_test)
decoded_imgs = descodificador.predict(encoded_imgs)

n = 5  # Modificado según instrucciones (original: 4)
plt.figure(figsize=(20, 6))
for i in range(n):
    # Originales
    ax = plt.subplot(3, n, i + 1)
    plt.imshow(x_test[i].reshape(28, 28), cmap='gray')
    plt.title('Original')
    ax.axis('off')

    # Codificación
    ax = plt.subplot(3, n, i + 1 + n)
    plt.imshow(encoded_imgs[i].reshape(8, 4).T, cmap='gray')
    plt.title('Codificado')
    ax.axis('off')

    # Reconstruidas
    ax = plt.subplot(3, n, i + 1 + n * 2)
    plt.imshow(decoded_imgs[i].reshape(28, 28), cmap='gray')
    plt.title('Reconstruido')
    ax.axis('off')

plt.suptitle('Autoencoder Denso – Original vs Codificado vs Reconstruido', fontsize=14)
plt.tight_layout()
plt.show()

313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step

No description has been provided for this image

Modificaciones solicitadas en la actividad¶

A continuación se aplican todas las variaciones requeridas:

Cambiar n a 5 ✅ (ya realizado arriba)
Modificar optimizador (SGD con lr=0.001)
Modificar epochs y batch_size
Agregar capa oculta con 256 neuronas
Aplicar Dropout = 0.2
Modificar loss (usar mean_squared_error)
Imprimir model.summary()
Guardar modelo y pesos

In [6]:

# 5. Autoencoder Denso MODIFICADO
from tensorflow.keras.optimizers import SGD

entrada_m = keras.Input(shape=(784,))

# Encoder con capa oculta adicional de 256 + Dropout
x = layers.Dense(256, activation='relu')(entrada_m)
x = layers.Dropout(0.2)(x)  # Dropout 20%
codificacion_m = layers.Dense(32, activation='relu')(x)

# Decoder con capa oculta adicional de 256
x = layers.Dense(256, activation='relu')(codificacion_m)
x = layers.Dropout(0.2)(x)
salida_m = layers.Dense(784, activation='sigmoid')(x)

autoencoder_mod = keras.Model(entrada_m, salida_m)

# Optimizador SGD con lr=0.001
opt_sgd = SGD(learning_rate=0.001)

# Función de pérdida diferente: mean_squared_error
autoencoder_mod.compile(optimizer=opt_sgd, loss='mean_squared_error')

print('\n=== Modelo Modificado ===')
print(autoencoder_mod.summary())

=== Modelo Modificado ===

Model: "functional_3"

┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ input_layer_2 (InputLayer)      │ (None, 784)            │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense_2 (Dense)                 │ (None, 256)            │       200,960 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dropout (Dropout)               │ (None, 256)            │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense_3 (Dense)                 │ (None, 32)             │         8,224 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense_4 (Dense)                 │ (None, 256)            │         8,448 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dropout_1 (Dropout)             │ (None, 256)            │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense_5 (Dense)                 │ (None, 784)            │       201,488 │
└─────────────────────────────────┴────────────────────────┴───────────────┘

 Total params: 419,120 (1.60 MB)

 Trainable params: 419,120 (1.60 MB)

 Non-trainable params: 0 (0.00 B)

None

In [7]:

# 6. Entrenar modelo modificado (epochs=10, batch_size=200)
history_mod = autoencoder_mod.fit(
    x_train, x_train,
    epochs=10,
    batch_size=200,
    shuffle=True,
    validation_data=(x_test, x_test)
)

Epoch 1/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 3s 4ms/step - loss: 0.2316 - val_loss: 0.2316
Epoch 2/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2316 - val_loss: 0.2315
Epoch 3/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2315 - val_loss: 0.2314
Epoch 4/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2314 - val_loss: 0.2314
Epoch 5/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2314 - val_loss: 0.2313
Epoch 6/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2313 - val_loss: 0.2312
Epoch 7/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - loss: 0.2312 - val_loss: 0.2312
Epoch 8/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 4ms/step - loss: 0.2312 - val_loss: 0.2311
Epoch 9/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 1s 4ms/step - loss: 0.2311 - val_loss: 0.2310
Epoch 10/10
300/300 ━━━━━━━━━━━━━━━━━━━━ 2s 3ms/step - loss: 0.2310 - val_loss: 0.2310

In [8]:

# 7. Guardar modelo y pesos
autoencoder_mod.save('modeloinicial.keras')
autoencoder_mod.save_weights('model_pesos.weights.h5')
print('Modelo y pesos guardados ✅')

Modelo y pesos guardados ✅

In [9]:

# 8. Visualizar resultados del modelo modificado
decoded_mod = autoencoder_mod.predict(x_test)

n = 5
plt.figure(figsize=(20, 4))
for i in range(n):
    ax = plt.subplot(2, n, i + 1)
    plt.imshow(x_test[i].reshape(28, 28), cmap='gray')
    plt.title('Original')
    ax.axis('off')

    ax = plt.subplot(2, n, i + 1 + n)
    plt.imshow(decoded_mod[i].reshape(28, 28), cmap='gray')
    plt.title('Reconstruido')
    ax.axis('off')

plt.suptitle('Autoencoder Modificado (SGD + Dropout + MSE) – n=5', fontsize=14)
plt.tight_layout()
plt.show()

313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step

Parte B – Autoencoder Convolucional para Eliminación de Ruido¶

Basado en el ejemplo de referencia de Keras (Valdarrama, 2021).

In [10]:

# 9. Preparar datos para autoencoder convolucional
from keras.datasets import mnist
from keras.models import Model

def preprocess(array):
    """Normaliza y redimensiona."""
    array = array.astype('float32') / 255.0
    array = np.reshape(array, (len(array), 28, 28, 1))
    return array

def noise(array, noise_factor=0.4):
    """Añade ruido gaussiano."""
    noisy = array + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=array.shape)
    return np.clip(noisy, 0.0, 1.0)

def display(array1, array2, title1='', title2='', n=10):
    """Muestra n imágenes aleatorias de dos arreglos."""
    indices = np.random.randint(len(array1), size=n)
    images1 = array1[indices, :]
    images2 = array2[indices, :]
    plt.figure(figsize=(20, 4))
    for i, (img1, img2) in enumerate(zip(images1, images2)):
        ax = plt.subplot(2, n, i + 1)
        plt.imshow(img1.reshape(28, 28), cmap='gray')
        if i == 0: plt.ylabel(title1)
        ax.axis('off')
        ax = plt.subplot(2, n, i + 1 + n)
        plt.imshow(img2.reshape(28, 28), cmap='gray')
        if i == 0: plt.ylabel(title2)
        ax.axis('off')
    plt.tight_layout()
    plt.show()

(train_data, _), (test_data, _) = mnist.load_data()
train_data = preprocess(train_data)
test_data  = preprocess(test_data)

noisy_train = noise(train_data)
noisy_test  = noise(test_data)

display(train_data, noisy_train, title1='Original', title2='Ruidosa')

In [11]:

# 10. Construir autoencoder convolucional
inp = layers.Input(shape=(28, 28, 1))

# Encoder
x = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(inp)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(x)
x = layers.MaxPooling2D((2, 2), padding='same')(x)

# Decoder
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation='relu', padding='same')(x)
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation='relu', padding='same')(x)
x = layers.Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)

conv_autoencoder = Model(inp, x)
conv_autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
conv_autoencoder.summary()

Model: "functional_4"

┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ input_layer_3 (InputLayer)      │ (None, 28, 28, 1)      │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d (Conv2D)                 │ (None, 28, 28, 32)     │           320 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ max_pooling2d (MaxPooling2D)    │ (None, 14, 14, 32)     │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d_1 (Conv2D)               │ (None, 14, 14, 32)     │         9,248 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ max_pooling2d_1 (MaxPooling2D)  │ (None, 7, 7, 32)       │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d_transpose                │ (None, 14, 14, 32)     │         9,248 │
│ (Conv2DTranspose)               │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d_transpose_1              │ (None, 28, 28, 32)     │         9,248 │
│ (Conv2DTranspose)               │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d_2 (Conv2D)               │ (None, 28, 28, 1)      │           289 │
└─────────────────────────────────┴────────────────────────┴───────────────┘

 Total params: 28,353 (110.75 KB)

 Trainable params: 28,353 (110.75 KB)

 Non-trainable params: 0 (0.00 B)

In [12]:

# 11. Entrenamiento fase 1: reconstrucción limpia (50 épocas)
conv_autoencoder.fit(
    x=train_data, y=train_data,
    epochs=50,
    batch_size=128,
    shuffle=True,
    validation_data=(test_data, test_data)
)

predictions_clean = conv_autoencoder.predict(test_data)
display(test_data, predictions_clean, title1='Original', title2='Reconstruido')

Epoch 1/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 10s 13ms/step - loss: 0.1340 - val_loss: 0.0720
Epoch 2/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0706 - val_loss: 0.0687
Epoch 3/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0685 - val_loss: 0.0675
Epoch 4/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0675 - val_loss: 0.0666
Epoch 5/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0668 - val_loss: 0.0661
Epoch 6/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0662 - val_loss: 0.0655
Epoch 7/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 5s 7ms/step - loss: 0.0658 - val_loss: 0.0652
Epoch 8/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0655 - val_loss: 0.0649
Epoch 9/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0652 - val_loss: 0.0646
Epoch 10/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0649 - val_loss: 0.0644
Epoch 11/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 8ms/step - loss: 0.0647 - val_loss: 0.0642
Epoch 12/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0645 - val_loss: 0.0640
Epoch 13/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0643 - val_loss: 0.0638
Epoch 14/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0641 - val_loss: 0.0636
Epoch 15/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0640 - val_loss: 0.0636
Epoch 16/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0638 - val_loss: 0.0634
Epoch 17/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0637 - val_loss: 0.0633
Epoch 18/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0636 - val_loss: 0.0632
Epoch 19/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0635 - val_loss: 0.0631
Epoch 20/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0634 - val_loss: 0.0630
Epoch 21/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0633 - val_loss: 0.0629
Epoch 22/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0632 - val_loss: 0.0629
Epoch 23/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0632 - val_loss: 0.0627
Epoch 24/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0631 - val_loss: 0.0628
Epoch 25/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0630 - val_loss: 0.0627
Epoch 26/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0630 - val_loss: 0.0626
Epoch 27/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0629 - val_loss: 0.0625
Epoch 28/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0629 - val_loss: 0.0625
Epoch 29/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0628 - val_loss: 0.0625
Epoch 30/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 8ms/step - loss: 0.0628 - val_loss: 0.0624
Epoch 31/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0627 - val_loss: 0.0624
Epoch 32/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0627 - val_loss: 0.0624
Epoch 33/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0627 - val_loss: 0.0624
Epoch 34/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0626 - val_loss: 0.0623
Epoch 35/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0626 - val_loss: 0.0623
Epoch 36/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0626 - val_loss: 0.0623
Epoch 37/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0625 - val_loss: 0.0622
Epoch 38/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0625 - val_loss: 0.0622
Epoch 39/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0625 - val_loss: 0.0622
Epoch 40/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0625 - val_loss: 0.0621
Epoch 41/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 5s 7ms/step - loss: 0.0624 - val_loss: 0.0621
Epoch 42/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0624 - val_loss: 0.0621
Epoch 43/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0624 - val_loss: 0.0620
Epoch 44/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0624 - val_loss: 0.0620
Epoch 45/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0621
Epoch 46/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0621
Epoch 47/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0620
Epoch 48/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0619
Epoch 49/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0619
Epoch 50/50
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0623 - val_loss: 0.0619
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step

In [13]:

# 12. Entrenamiento fase 2: eliminación de ruido (100 épocas)
conv_autoencoder.fit(
    x=noisy_train, y=train_data,
    epochs=100,
    batch_size=128,
    shuffle=True,
    validation_data=(noisy_test, test_data)
)

predictions_denoised = conv_autoencoder.predict(noisy_test)
display(noisy_test, predictions_denoised, title1='Con Ruido', title2='Limpiado por AE')

Epoch 1/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 8ms/step - loss: 0.1022 - val_loss: 0.0944
Epoch 2/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0938 - val_loss: 0.0920
Epoch 3/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0921 - val_loss: 0.0907
Epoch 4/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0911 - val_loss: 0.0899
Epoch 5/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0902 - val_loss: 0.0894
Epoch 6/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0897 - val_loss: 0.0888
Epoch 7/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0892 - val_loss: 0.0883
Epoch 8/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0887 - val_loss: 0.0883
Epoch 9/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 7ms/step - loss: 0.0883 - val_loss: 0.0876
Epoch 10/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0880 - val_loss: 0.0874
Epoch 11/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0877 - val_loss: 0.0876
Epoch 12/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0874 - val_loss: 0.0868
Epoch 13/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0872 - val_loss: 0.0866
Epoch 14/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0870 - val_loss: 0.0863
Epoch 15/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0869 - val_loss: 0.0862
Epoch 16/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0867 - val_loss: 0.0860
Epoch 17/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0866 - val_loss: 0.0862
Epoch 18/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0865 - val_loss: 0.0860
Epoch 19/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0864 - val_loss: 0.0858
Epoch 20/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 8ms/step - loss: 0.0863 - val_loss: 0.0857
Epoch 21/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0862 - val_loss: 0.0857
Epoch 22/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0861 - val_loss: 0.0855
Epoch 23/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0860 - val_loss: 0.0855
Epoch 24/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0859 - val_loss: 0.0855
Epoch 25/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0859 - val_loss: 0.0854
Epoch 26/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0858 - val_loss: 0.0853
Epoch 27/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0857 - val_loss: 0.0854
Epoch 28/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0857 - val_loss: 0.0855
Epoch 29/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0856 - val_loss: 0.0851
Epoch 30/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0856 - val_loss: 0.0854
Epoch 31/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 8ms/step - loss: 0.0855 - val_loss: 0.0850
Epoch 32/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0854 - val_loss: 0.0852
Epoch 33/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0854 - val_loss: 0.0850
Epoch 34/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0854 - val_loss: 0.0849
Epoch 35/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0853 - val_loss: 0.0849
Epoch 36/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0853 - val_loss: 0.0850
Epoch 37/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0852 - val_loss: 0.0850
Epoch 38/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0852 - val_loss: 0.0849
Epoch 39/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 7ms/step - loss: 0.0852 - val_loss: 0.0847
Epoch 40/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0852 - val_loss: 0.0848
Epoch 41/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0851 - val_loss: 0.0848
Epoch 42/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0851 - val_loss: 0.0847
Epoch 43/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0850 - val_loss: 0.0848
Epoch 44/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0850 - val_loss: 0.0846
Epoch 45/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0850 - val_loss: 0.0847
Epoch 46/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0850 - val_loss: 0.0846
Epoch 47/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0849 - val_loss: 0.0846
Epoch 48/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0849 - val_loss: 0.0848
Epoch 49/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0849 - val_loss: 0.0847
Epoch 50/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0849 - val_loss: 0.0846
Epoch 51/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0849 - val_loss: 0.0845
Epoch 52/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0848 - val_loss: 0.0845
Epoch 53/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0848 - val_loss: 0.0844
Epoch 54/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0848 - val_loss: 0.0844
Epoch 55/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0848 - val_loss: 0.0845
Epoch 56/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0848 - val_loss: 0.0845
Epoch 57/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0844
Epoch 58/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0844
Epoch 59/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0845
Epoch 60/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0844
Epoch 61/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0843
Epoch 62/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0844
Epoch 63/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0847 - val_loss: 0.0843
Epoch 64/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0844
Epoch 65/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 66/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 67/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 68/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 69/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 70/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0846 - val_loss: 0.0843
Epoch 71/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0845
Epoch 72/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0843
Epoch 73/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0843
Epoch 74/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0844
Epoch 75/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0842
Epoch 76/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0842
Epoch 77/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 78/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0842
Epoch 79/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0843
Epoch 80/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0845 - val_loss: 0.0842
Epoch 81/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 4s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 82/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 83/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 84/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 5s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 85/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 86/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0844 - val_loss: 0.0842
Epoch 87/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0841
Epoch 88/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0842
Epoch 89/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0842
Epoch 90/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0842
Epoch 91/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0842
Epoch 92/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0841
Epoch 93/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0841
Epoch 94/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0840
Epoch 95/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0841
Epoch 96/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0842
Epoch 97/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0843 - val_loss: 0.0841
Epoch 98/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0842 - val_loss: 0.0841
Epoch 99/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0842 - val_loss: 0.0841
Epoch 100/100
469/469 ━━━━━━━━━━━━━━━━━━━━ 3s 7ms/step - loss: 0.0842 - val_loss: 0.0841
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step

Conclusiones¶

Los autoencoders aprenden representaciones comprimidas de forma no supervisada, lo que los hace ideales cuando no se dispone de datos etiquetados.
La combinación encoder-bottleneck-decoder con funciones de activación adecuadas (ReLU + Sigmoid) permite reconstruir imágenes con alta fidelidad.
El autoencoder convolucional supera al denso en tareas de reconstrucción de imágenes, ya que preserva la estructura espacial bidimensional.
La eliminación de ruido (denoising) demuestra que el autoencoder no memoriza los datos, sino que aprende la distribución subyacente.
Desde la perspectiva profesional, estas técnicas tienen aplicación directa en la restauración de documentos escaneados deteriorados, la compresión eficiente de expedientes digitales y la detección de anomalías en flujos documentales del sector judicial.

Referencias¶

Bonaccorso, G. (2018). Mastering Machine Learning Algorithms. Packt Publishing.
Fandango, A. (2018). Mastering TensorFlow 1.x. Packt Publishing.
Valdarrama, S. L. (2021). Convolutional autoencoder for image denoising. Keras. https://keras.io/examples/vision/autoencoder/
Valencia, J. C. (2026). Semana 7. Aplicación de autoencoder para la reconstrucción de imágenes [Transcripción y Recursos del Curso]. UNIMINUTO.