El beamforming híbrido (HBF) es un enfoque prometedor para obtener un mejor equilibrio entre la complejidad del hardware y el rendimiento del sistema en sistemas de comunicación massive MIMO. Sin embargo, el problema de optimización de HBF es una tarea desafiante debido a su propiedad no convexa en términos de complejidad de diseño y rendimiento de eficiencia espectral (SE). En este trabajo, se propone un algoritmo de HBF basado en redes neuronales convolucionales (CNN) de baja complejidad para resolver el problema de maximización de SE bajo la restricción de módulo constante y la restricción de potencia de transmisión en un sistema de entrada única múltiple (MISO). El marco de CNN propuesto utiliza múltiples bloques convolucionales para extraer más características del canal. Dado que las soluciones para el HBF son difíciles de obtener, derivamos un mecanismo de aprendizaje no supervisado para evitar cualquier dato etiquetado al entrenar la CNN construida. Discutimos el rendimiento del algoritmo propuesto en términos de tanto la capacidad de generalización para múltiples CSIs como la capacidad de resolución específica para un CSI individual, respectivamente. Las simulaciones muestran sus ventajas tanto en SE como en complejidad sobre otros algoritmos relacionados.