El cáncer es la segunda causa principal de muerte a nivel mundial, y el cáncer de mama (CM) es el segundo cáncer más reportado. Aunque la tasa de incidencia está disminuyendo en los países desarrollados, el caso contrario se presenta en los países de ingresos bajos y medios. La detección temprana ha demostrado contener el crecimiento del cáncer, prevenir la metástasis, facilitar el tratamiento y reducir la mortalidad en un 25%. La mamografía digital es una de las técnicas de detección de CM más comunes, más baratas y más efectivas capaz de detectar tempranamente hasta un 90% de la incidencia de CM. Sin embargo, la mamografía es una de las imágenes médicas más difíciles de analizar. En este documento, presentamos un método para entrenar un modelo de aprendizaje profundo para el diagnóstico de CM. Desarrollamos un método de ajuste fino discriminativo que asigna dinámicamente diferentes tasas de aprendizaje a cada capa de la CNN profunda. Además, el modelo fue entrenado utilizando entrenamiento de precisión mixta para facilitar la demanda computacional de entrenar modelos de aprendizaje profundo. Por último, presentamos métodos de aumento de datos para mamografías. El algoritmo de ajuste fino discriminativo permite una convergencia rápida de la pérdida del modelo; por lo tanto, los modelos fueron entrenados para alcanzar su mejor rendimiento dentro de 50 épocas. Comparando los resultados, DenseNet logró la mayor precisión de 0.998, mientras que AlexNet obtuvo 0.988.