Hemos realizado diferentes experimentos de simulación en relación con las redes neuronales hardware (NN) para analizar el papel del número de sinapsis en diferentes arquitecturas de NN en la precisión de la red, considerando diferentes conjuntos de datos. Se toma como referencia una tecnología que se basa en matrices ReRAM 1T1R de 4 kbits, donde se emplean dispositivos de conmutación resistiva basados en dieléctricos. En nuestro estudio, se consideraron redes neuronales completamente densas (FdNN) y redes neuronales convolucionales (CNN), donde el tamaño de la NN en términos del número de sinapsis y de neuronas de capa oculta variaba. Las CNN funcionan mejor cuando se limita el número de sinapsis a utilizar. Si se incluyen pesos sinápticos cuantificados, observamos que la precisión de la NN disminuye significativamente a medida que se reduce el número de sinapsis; en este sentido, se debe lograr un equilibrio entre el número de sinapsis y la precisión de la NN. En consecuencia, la arquitectura de la CNN debe ser diseñada cuidadosamente; en particular, se observó que diferentes conjuntos de datos necesitan arquitecturas específicas según su complejidad para lograr buenos resultados. Se demostró que debido al número de variables que se pueden cambiar en la optimización de una implementación de hardware de NN, una solución específica debe trabajarse en cada caso en términos de niveles de peso sináptico, arquitectura de NN, etc.