Las redes neuronales profundas son conocidas por sus resultados impresionantes en una amplia gama de aplicaciones, siendo responsables de muchos avances en tecnología en los últimos años. Sin embargo, depurar y entender el funcionamiento interno de los modelos de redes neuronales es una tarea compleja, ya que hay varios parámetros y variables involucrados en cada decisión. Las técnicas de proyección multidimensional se han adoptado con éxito para mostrar las salidas de las capas ocultas de las redes neuronales de manera explicativa, pero comparar diferentes salidas a menudo significa superponer proyecciones u observarlas una al lado de la otra, presentando obstáculos para los usuarios al transmitir adecuadamente el flujo de datos. En este artículo, introducimos un enfoque novedoso para comparar proyecciones obtenidas de múltiples etapas en un modelo de red neuronal y visualizar las diferencias en la percepción de datos. Los cambios entre proyecciones se transforman en trayectorias que, a su vez, generan campos vectoriales utilizados para representar el flujo general de información. Esta representación puede ser utilizada para crear diseños que destaquen nueva información sobre estructuras abstractas identificadas por redes neuronales.