Clasificador de Audio (Arquitectura CNN Custom)

🧠 Arquitectura del Modelo

• Bloques 1 y 2: Capas de extracción de características base con BatchNormalization para estabilizar el aprendizaje.
• Bloques 3 y 4 (Regularizados): Inclusión de L2 Regularization (0.01) para penalizar pesos excesivamente grandes y forzar la generalización.
• Reducción de Dimensionalidad: Uso de GlobalAveragePooling2D en lugar de capas Flatten, lo que reduce drásticamente el número de parámetros y ayuda a evitar que el modelo memorice la posición exacta de los ruidos.
• Clasificador: Una capa densa con Dropout agresivo (0.7) para asegurar que el modelo no dependa de neuronas específicas.

🚀 Especificaciones Técnicas

• Entrada: Imágenes RGB de 128x128 píxeles.
• Salida: Probabilidades para 13 clases (Softmax).
• Optimizador: Adam con tasa de aprendizaje inicial de 0.0005.
• Estrategia de Entrenamiento:
  • Early Stopping: Monitoreo de val_loss con paciencia de 8 épocas para restaurar los mejores pesos.
  • ReduceLROnPlateau: Reducción del Learning Rate (factor 0.2) cuando el error de validación se estanca.

🛠️ Inferencia rápida