Temario Lección 115 de 246 · Módulo 10: Redes que ven (CNN)
Módulo 10: Redes que ven (CNN)

La convolución hacia atrás

Por qué importa Para aprender sus filtros, una CNN necesita el gradiente de la pérdida respecto a cada peso del filtro. Resulta ser otra convolución.

Números diminutos, primero en 1D

Entrada x = [1, 2, 3, 4], filtro w = [10, 20], salida válida y = [1*10 + 2*20, 2*10 + 3*20, 3*10 + 4*20] = [50, 80, 110]. El peso w[0] tocó x[0], x[1], x[2] (una vez por salida), así que su gradiente es g[0]*x[0] + g[1]*x[1] + g[2]*x[2]: la entrada deslizada contra el gradiente que llega, g. La entrada x[1] la usaron y[0] (con w[1]) e y[1] (con w[0]), así que su gradiente recoge g[0]*w[1] + g[1]*w[0].

Las reglas

  • Gradiente del filtro: desliza la entrada contra el gradiente que llega (una correlación válida de x con g).
  • Gradiente de la entrada: rellena g y desliza el filtro, volteado, por encima (una convolución completa).

La misma idea en 2D. Conv2d se desbloquea en la biblioteca de la casa después de esta lección.

Palabras y símbolos de esta lección
convolución
deslizar una pequeña cuadrícula de pesos (un filtro) por una imagen, un producto escalar por posición
filtro, mapa de características
la pequeña cuadrícula de pesos aprendida; y la imagen de sus respuestas
Tu turno

Escribe conv1d(x, w) (válida) y conv1d_backward(x, w, g) que devuelva (dx, dw). Luego conv2d_backward(img, k, g) que devuelva (dimg, dk) para la convolución válida 2D. La prueba oculta comprueba cada gradiente contra un empujón.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.